Słownik metodologiczny · Testy statystyczne

Test Cramera–von Misesa – test zgodności oparty na dystrybuancie empirycznej

Test Cramera–von Misesa sprawdza, czy dane pochodzą z zakładanego rozkładu, sumując kwadraty odległości między dystrybuantą empiryczną a teoretyczną. Pokazujemy wzór, różnicę względem testu Kołmogorowa–Smirnowa i przykład w R.

Strona główna / Słownik / Test Cramera–von Misesa
W skrócie: Test Cramera–von Misesa to test zgodności, który porównuje dystrybuantę empiryczną z teoretyczną na całym zakresie wartości: sumuje kwadraty różnic (statystyka W²). W odróżnieniu od testu Kołmogorowa–Smirnowa nie patrzy tylko na największą różnicę.

Co to jest test Cramera–von Misesa?

Test Cramera–von Misesa (ang. Cramér–von Mises test) to test zgodności oparty na dystrybuancie empirycznej. Sprawdza, czy próba pochodzi z określonego rozkładu ciągłego. Test Kołmogorowa–Smirnowa bierze pod uwagę tylko największą pionową odległość między dystrybuantą empiryczną a teoretyczną. Test Cramera–von Misesa sumuje kwadraty tych odległości na całym zakresie wartości: ω² = ∫ [Fn(x) − F(x)]² dF(x) (Anderson, 1962). Stephens (1974) omówił go w przewodniku po statystykach EDF (D, W², V, U², A²) i pokazał, że testy te mają konkurencyjną moc.

Wzór i warianty

W praktyce liczy się W² = n·ω² = 1/(12n) + Σ [F(x(i)) − (2i − 1)/(2n)]², gdzie F(x(i)) to dystrybuanta hipotetyczna w uporządkowanych obserwacjach. Im większe W², tym gorsza zgodność.

  • Rozkład w pełni określony (znane parametry): rozkład W² nie zależy od F. Csörgő i Faraway (1996) pokazali, że jednowyrazowa poprawka rozkładu asymptotycznego daje praktycznie dokładne p już przy n około 7.
  • Parametry szacowane z próby (np. normalność): potrzebne są inne wartości krytyczne, podobnie jak w teście Lillieforsa.
  • Dwie próby: porównuje się dystrybuanty empiryczne dwóch grup (Anderson, 1962).

Pokrewny test Andersona–Darlinga waży odległości tak, że mocniej liczą się ogony rozkładu.

Przykład w R

50 symulowanych czasów wykonania zadania (rozkład skośny; średnia 56.8 s, SD 30.1). Hipoteza zerowa: rozkład normalny o średniej 60 i SD 20. W² = 0.586, p = .024 (100 000 symulacji); test Kołmogorowa–Smirnowa: D = 0.226, p = .010. Pytanie o samą normalność (parametry z próby) daje W = 0.082, p = .19, a test Shapiro-Wilka – W = 0.951, p = .037.

Na rysunku

Te same 50 czasów i ta sama hipoteza zerowa N(60, 20) co w przykładzie – i trzy sposoby streszczenia jednej rozbieżności.

Dwa panele. A: schodkowa niebieska dystrybuanta empiryczna 50 czasów i przerywana szara dystrybuanta rozkładu normalnego o średniej 60 i SD 20. Schodki leżą wyraźnie nad krzywą między 30 a 60 s; pomarańczowy pionowy odcinek przy około 46 s oznacza największą różnicę D = 0.226. B: dwa wykresy jeden pod drugim na osi u od 0 do 1. Górny, niebieski: wkład do W² z polem 0.586, najwyższy przy u około 0.24 i bliski zeru w ogonach. Dolny, zielony: wkład do A² z polem 4.618, z tymi samymi szczytami po lewej i dodatkowymi wysokimi szpilkami przy u bliskim 1. Pomarańczowa linia kropkowana w obu wykresach przy u = 0.24 wskazuje miejsce D
Rysunek 1. Ta sama różnica dystrybuant w trzech statystykach: największa odległość D (A) oraz funkcje, których pole daje W² i A² (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(625)).

Co widać. W panelu A największa pionowa odległość, D = 0.226, przypada przy czasie około 46 s: do tego miejsca doszło już 46% obserwacji, a według hipotezy zerowej powinno 24%. Panel B pokazuje na osi u = F(x) funkcje, których pole wynosi W² = 0.586 i A² = 4.618. Krzywa W² ma szczyt w miejscu D, ale zbiera różnice z całego zakresu. A² dzieli te same kwadraty przez F(1 − F), więc różnice blisko 0 i 1 ważą więcej: obszary u < .1 i u > .9 dają 36.5% A² i tylko 12.0% W². W 100 000 próbach z hipotezy zerowej p wynosi .010 dla D, .0245 dla W² i .0045 dla A² (błąd Monte Carlo najwyżej 0.0005).

Na co uważać. Testu nie wybiera się po obejrzeniu trzech p. Oś w panelu B kończy się na u = 0.999, więc część wkładu najdłuższego czasu (158 s; według H0 1 − F(x) = 4.7 · 10⁻⁷) leży poza wykresem. Rysunek dotyczy rozkładu w pełni określonego; przy normalności z parametrami z próby obowiązują inne wartości krytyczne. Różnice na osi u to odchylenia od przekątnej na wykresie P-P, a samą dystrybuantę empiryczną jako wykres opisuje wpis Rozkład zmiennej na wykresie.

Podpis do pracy:

Rysunek 1. Dystrybuanta empiryczna czasów wykonania zadania (n = 50) na tle dystrybuanty rozkładu N(60, 20) (A) oraz wkład różnic między nimi do statystyk Cramera–von Misesa i Andersona–Darlinga (B). Uwaga. Dane symulowane. Pionowy odcinek w panelu A i linia kropkowana w panelu B wskazują największą różnicę (statystyka Kołmogorowa–Smirnowa D = 0.226). Pole pod krzywymi w panelu B równa się W² = 0.586 i A² = 4.618.

Kod odtwarza rysunek i liczby. Dane i ziarno 625 są te same co w przykładzie (ziarna nie dobierano), a symulacja losuje w tej samej kolejności, więc p dla W² się zgadza. Rysunek na stronie powstał z obiektu p1 z motywem serwisu; różni się tylko krojem czcionki i siatką.

Kod R rysunku 1
# Rysunek 1. Te same różnice dystrybuant w trzech statystykach: KS (D), Cramer–von Mises (W²) i Anderson–Darling (A²)
library(ggplot2)
library(patchwork)
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom", plot.title = element_text(face = "bold"))
kol <- c(KS = "#D55E00", CvM = "#0072B2", AD = "#009E73")             # Okabe–Ito

set.seed(625)                                                        # te same dane co w przykładzie hasła
czas <- round(rgamma(50, shape = 3, rate = 3 / 60), 3)
n <- length(czas)
u <- sort(pnorm(czas, mean = 60, sd = 20))                           # H0: N(60, 20); u = F(x)
i <- seq_len(n)
D  <- function(u) { u <- sort(u); k <- seq_along(u); max(k / length(u) - u, u - (k - 1) / length(u)) }
W2 <- function(u) { u <- sort(u); k <- seq_along(u); 1 / (12 * length(u)) + sum((u - (2 * k - 1) / (2 * length(u)))^2) }
A2 <- function(u) { u <- sort(u); k <- seq_along(u); m <- length(u)
  -m - mean((2 * k - 1) * (log(u) + log(1 - rev(u)))) }
obs <- c(D = D(u), W2 = W2(u), A2 = A2(u))
# rozkład trzech statystyk przy H0 (u ~ jednostajny); kolejność losowań jak w przykładzie hasła
sym <- replicate(100000, { v <- runif(n); c(D = D(v), W2 = W2(v), A2 = A2(v)) })
p <- rowMeans(sym >= obs)
round(rbind(statystyka = obs, p_symulacja = p, blad_MC = sqrt(p * (1 - p) / 100000)), 4)

# pola pod funkcjami podcałkowymi liczone na skali logitu u (gęsto także w skrajnych ogonach): du = u(1 − u) dt
t <- seq(-15, 15, by = 0.001); uu <- plogis(t)
d2 <- n * (ecdf(u)(uu) - uu)^2
cvm_dt <- d2 * uu * (1 - uu); ad_dt <- d2                            # n(Fn − F)² du  oraz  n(Fn − F)²/[F(1 − F)] du
ogon <- uu < 0.1 | uu > 0.9
round(c(pole_W2 = sum(cvm_dt) * 0.001, pole_A2 = sum(ad_dt) * 0.001,
        ogony_udzial_W2 = sum(cvm_dt[ogon]) / sum(cvm_dt), ogony_udzial_A2 = sum(ad_dt[ogon]) / sum(ad_dt)), 3)
cat("największy czas:", max(czas), "s; 1 − F(x) =", signif(1 - max(u), 2), "\n")
# do rysunku: siatka na osi u
siatka <- data.frame(u = seq(0.001, 0.999, by = 0.002))
siatka$roznica <- ecdf(u)(siatka$u) - siatka$u
gdzie <- siatka[which.max(abs(siatka$roznica)), ]
round(c(u_max = gdzie$u, roznica_max = gdzie$roznica, czas_przy_max = qnorm(gdzie$u, 60, 20)), 3)

# A: dystrybuanta empiryczna i hipotetyczna na osi czasu, z największą odległością D
xs <- seq(0, 160, by = 0.5)
pA <- ggplot() +
  geom_line(aes(xs, pnorm(xs, 60, 20), linetype = "N(60, 20) – H0"), colour = "grey30", linewidth = 0.9) +
  stat_ecdf(aes(czas, linetype = "dane (ECDF)"), colour = kol[["CvM"]], linewidth = 0.9, pad = TRUE) +
  geom_segment(aes(x = qnorm(gdzie$u, 60, 20), xend = qnorm(gdzie$u, 60, 20), y = gdzie$u, yend = gdzie$u + gdzie$roznica),
               colour = kol[["KS"]], linewidth = 1.4) +
  annotate("text", x = qnorm(gdzie$u, 60, 20) + 8, y = gdzie$u + gdzie$roznica / 2, hjust = 0, colour = kol[["KS"]],
           label = sprintf("D = %.3f", obs[["D"]])) +
  scale_linetype_manual(values = c("dane (ECDF)" = "solid", "N(60, 20) – H0" = "dashed"), name = NULL) +
  labs(title = "A. ECDF i dystrybuanta z H0", x = "Czas wykonania zadania (s)", y = "Dystrybuanta") +
  motyw

# B: co sumują W² i A² (na osi u = F(x)); pole pod krzywą to wartość statystyki
et <- c(sprintf("CvM: n·(Fn − F)²; pole = W² = %.3f", obs[["W2"]]),
        sprintf("AD: n·(Fn − F)² / [F(1 − F)]; pole = A² = %.3f", obs[["A2"]]))
dl <- rbind(data.frame(u = siatka$u, y = n * siatka$roznica^2, stat = et[1]),
            data.frame(u = siatka$u, y = n * siatka$roznica^2 / (siatka$u * (1 - siatka$u)), stat = et[2]))
dl$stat <- factor(dl$stat, levels = et)
pB <- ggplot(dl, aes(u, y)) +
  geom_area(aes(fill = stat), alpha = 0.3) +
  geom_line(aes(colour = stat), linewidth = 0.7) +
  geom_vline(xintercept = gdzie$u, colour = kol[["KS"]], linetype = "dotted", linewidth = 0.9) +
  facet_wrap(~ stat, ncol = 1, scales = "free_y") +
  scale_colour_manual(values = setNames(unname(kol[c("CvM", "AD")]), et), guide = "none") +
  scale_fill_manual(values = setNames(unname(kol[c("CvM", "AD")]), et), guide = "none") +
  labs(title = "B. Co sumują W² i A² (kropkowana linia: miejsce D)", x = "u = F(x) według H0", y = "Wkład do statystyki") +
  motyw + theme(strip.text = element_text(hjust = 0, size = 10.5))
p1 <- pA + pB
p1   # zapis: ggsave("test-cramera-von-misesa-trzy-statystyki.svg", p1, width = 10, height = 5.8)
Wynik w R
                 D     W2     A2
statystyka  0.2256 0.5859 4.6185
p_symulacja 0.0103 0.0245 0.0045
blad_MC     0.0003 0.0005 0.0002
        pole_W2         pole_A2 ogony_udzial_W2 ogony_udzial_A2 
          0.586           4.617           0.120           0.365 
największy czas: 158.11 s; 1 − F(x) = 4.7e-07 
        u_max   roznica_max czas_przy_max 
        0.235         0.225        45.550 

Jak opisać w pracy

Zgodność czasów wykonania zadania z rozkładem normalnym N(60, 20) sprawdzono testem Cramera–von Misesa. Rozkład empiryczny istotnie odbiegał od zakładanego, W² = 0.586, p = .024 (n = 50; p ze 100 000 symulacji).

Na co uważać

  • Parametry z próby. Wartości krytyczne dla rozkładu w pełni określonego nie pasują, gdy średnią i SD liczysz z tych samych danych.
  • Jeden test to za mało. W przykładzie test Shapiro-Wilka wskazał odchylenie od normalności, którego test Cramera–von Misesa nie wykazał. Dodaj wykres kwantylowy.
  • Wiązania. Test zakłada rozkład ciągły; przy skali 1–5 jego p jest nieprawidłowe.
Przykład reprodukowalny

Test Cramera–von Misesa w R

Kod liczy statystykę W² ręcznie dla rozkładu w pełni określonego, a p wyznacza z rozkładu W² w 100 000 próbach z rozkładu jednostajnego (przy prawdziwej hipotezie zerowej wartości F(x) mają rozkład jednostajny). Dla porównania pokazuje test Kołmogorowa–Smirnowa, cvm.test() z pakietu nortest (normalność z parametrami z próby) i test Shapiro-Wilka. Liczby w tekście pochodzą z tego kodu.

Statystyka W² i test normalności

Dane wejściowe: 50 symulowanych czasów z rozkładu gamma (set.seed(625)); hipoteza zerowa N(60, 20).

Co odczytać: W² = 0.586 i p z symulacji = .024; KS D = 0.226, p = .010; cvm.test() W = 0.082, p = .19; Shapiro-Wilk p = .037.

R
# Test Cramera-von Misesa: statystyka W^2 ręcznie, p z symulacji, cvm.test dla normalności
library(nortest)
set.seed(625)
czas <- round(rgamma(50, shape = 3, rate = 3 / 60), 3)  # czasy wykonania zadania (s), rozkład skośny
# H0 w pełni określona: czas ~ N(60, 20)
W2 <- function(u) { n <- length(u); u <- sort(u)
  1 / (12 * n) + sum((u - (2 * seq_len(n) - 1) / (2 * n))^2) }
w_obs <- W2(pnorm(czas, mean = 60, sd = 20))
w_sym <- replicate(100000, W2(runif(length(czas))))   # rozkład W^2 przy H0 (nie zależy od F)
round(c(W2 = w_obs, p_symulacja = mean(w_sym >= w_obs)), 3)
ks.test(czas, "pnorm", mean = 60, sd = 20)            # dla porównania: test KS
# H0 złożona: normalność z parametrami szacowanymi z próby
cvm.test(czas)
shapiro.test(czas)
Wynik w R
         W2 p_symulacja 
      0.586       0.024 

	Exact one-sample Kolmogorov-Smirnov test

data:  czas
D = 0.22564, p-value = 0.01019
alternative hypothesis: two-sided


	Cramer-von Mises normality test

data:  czas
W = 0.082081, p-value = 0.19


	Shapiro-Wilk normality test

data:  czas
W = 0.95082, p-value = 0.03687

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet nortest 1.0.4). Rysunek 1 wykonano w pakietach ggplot2 i patchwork i zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. nortest (wersja 1.0.4): Gross, J., & Ligges, U. (2015). nortest: Tests for normality [R package]. https://doi.org/10.32614/CRAN.package.nortest
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  5. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Czym test Cramera–von Misesa różni się od testu Kołmogorowa–Smirnowa?

Test Kołmogorowa–Smirnowa bierze tylko największą pionową odległość między dystrybuantą empiryczną a teoretyczną. Test Cramera–von Misesa sumuje kwadraty odległości we wszystkich punktach, więc uwzględnia rozbieżności na całym zakresie danych.

Jak sprawdzić normalność testem Cramera–von Misesa w R?

Użyj funkcji cvm.test() z pakietu nortest. Testuje ona normalność ze średnią i SD oszacowanymi z próby i wymaga więcej niż 7 obserwacji. Wynik uzupełnij wykresem kwantylowym.

Czy test Cramera–von Misesa ma wersję dla dwóch prób?

Tak. Porównuje dystrybuanty empiryczne dwóch grup bez założenia o kształcie rozkładu; Anderson (1962) podał tablice dla małych prób. W R oblicza ją m.in. funkcja cvm_test() z pakietu twosamples.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Anderson, T. W. (1962). On the distribution of the two-sample Cramér–von Mises criterion. The Annals of Mathematical Statistics, 33(3), 1148–1159. https://doi.org/10.1214/aoms/1177704477 ● Otwarty dostęp
  2. Csörgő, S., & Faraway, J. J. (1996). The exact and asymptotic distributions of Cramér–von Mises statistics. Journal of the Royal Statistical Society: Series B (Methodological), 58(1), 221–234. https://doi.org/10.1111/j.2517-6161.1996.tb02077.x ● Otwarty dostęp: pełny tekst
  3. Stephens, M. A. (1974). EDF statistics for goodness of fit and some comparisons. Journal of the American Statistical Association, 69(347), 730–737. https://doi.org/10.1080/01621459.1974.10480196

Cytowania BibTeX

@article{anderson1962distribution, author={Anderson, T. W.}, title={{On the distribution of the two-sample Cramér–von Mises criterion}}, journal={The Annals of Mathematical Statistics}, year={1962}, volume={33}, number={3}, pages={1148--1159}, doi={10.1214/aoms/1177704477}}
@article{csorgo1996exact, author={Csörgő, Sándor and Faraway, Julian J.}, title={{The exact and asymptotic distributions of Cramér–von Mises statistics}}, journal={Journal of the Royal Statistical Society: Series B (Methodological)}, year={1996}, volume={58}, number={1}, pages={221--234}, doi={10.1111/j.2517-6161.1996.tb02077.x}}
@article{stephens1974edf, author={Stephens, M. A.}, title={{EDF statistics for goodness of fit and some comparisons}}, journal={Journal of the American Statistical Association}, year={1974}, volume={69}, number={347}, pages={730--737}, doi={10.1080/01621459.1974.10480196}}
R