Datu statisk apstrde konspekts

Jnis Erdmanis 2013. gada 22. janvris

Varbtba
Novrtjums notikumam notikt pie atbiltoiem apstkiem Raksturo skaitlis robes [0, 1] , ja abi ir izsldzoi varbtba novrtjama k 0.5 Simetriskiem notikumiem jeb A un A
n Tiek novrtta ar frekvences denciju P (A) = lim N

Nevar nodroint bezg. skaitu eksperimentu Varbtbas aksiomas P (A) >= 0 Notikt jebkuram notikumam - P (E ) = 1 Ja notikumi ir savstarpji izsldzoi - P (A + B ) = P (A) + P (B ) Nosacjuma varbtba - P (A B ) = P (A) P (B |A) Varbtba notikt notikumam A ar pabu B jeb varbtbu summa zinot varbtbas notikt Ai notikumam un katram Ai notikumam varbtbu uzrdt pabu B : P (B ) = P (Ai ) P (B |Ai ) Neatkargi notikumi - P (A|B ) = P (A)

Sadaljuma kumultatv un blvuma funkcija

F (x) = P ( x) f (x) = P (x x + dx) b P (a b) = a f (x)dx

Raksturojoie parametri
Matemtisk cerba - E ( ) = xi P ( = x) Momenti visprgi - l = E {( x )l } Ja l=2, tad t ir dispersija. Var interprett k inerces momentu Reductais maingais - u = Visvarbtgk vrtba Medina - F (x0.5 ) = P ( < x0.5 ) = 0.5 Kvantila - xq q , ja F (xq ) = q 1
x ( )

Vairku maingo sadaljumu, momenti.

H (, ) = ( a)l ( b)m Ja l vai m = 2, tad dispersija Ja l, m = 1, tad kovaricija )( )T }, kur E { } iedarbojs k liners operators! Kovaricijas matrica - C = E {( x x Korelcijas koecients - (x, y ) =
cov (x,y ) x y

Korelcijas koecienta nozmba pards, ja izsaka - 2 (u v ) = 2(1 (u, v ))

Maingo transformcija
Ja abi sadaljumi raksturo vienu notikumu - g (y )dy = f (x)dx
(y,...) Analogi - g (y, . . .) = | (u,...) |f (u, . . .)

+ Linera transformcija - = T a )( )T } = E {(T T T )(T ( ))T } = T Cx T T Cy = E {( y y y y x + T a T x a)(T x + a T x a)T } = E {T ( x x x x ( Ja nepiecieams iegt transformt mainga y kovaricijas matricu, tad izvirza y=f x) Teilora rind: ( y=f x0 ) + ) (f ( x) (x | ( xx 0 ) = f 0 ) + f xx 0 ) x= x0 (
x=x 0

Neprtraukti sadaljumi
Sadaljuma raksturg funkcija - (t) = E {eitx }, kurai paba
n tn

= in n

Standarta normlais sadaljums(paredzts reductajam maingajam!):

2 1 f (x) = ex /2 2 ( x )

Var izmantot form - gausa_sad =

1 f

Standarta eksponencilais sadaljums - f (x) = ex Ko sadaljums apraksta k daias izkrtojs uz ekrna, ja ts izautas no punktveida avota ar vienmrgi sadaltu varbtbu

Diskrtie sadaljumi
) = 1 Binomilais apraksta varbtbu notikt notikumam A n reizes no k minjumiem, ja P (A) + P (A Izvls n uniklas neatkltas montas no k Nosaka varbtbu izlasei, kurai visas n montas ir ar notikumiem A, bet (k n) montas ar notikumiem A ( ) Ja p apraksta varbtbu notikt pozitvam notikumam jeb A, novrtjot no mrijuma s2 {S (p)} = n 1 n ir 2 iespjams novrtt novrtto pozitvo notikumu skaitu , k: = s2 {S (p)}n2 n Puasona tiek iegts = np tiek saglabts konstants, bet n : f (k ) = k e k!

Hipereometriskais - varbtba, ka no n izvilktm bumbim k ir baltas, bet (n k ) melnas, pastvot galgam skaitam izvelkamo bumbiu. Ja n N , tad iegst Binomilo 2

Izlases
= ( 1 , . . . , n ) Eksperiment tiek iegta gadjuma rakstura maingo kopa, ko sauc par izlasi. To pieemts apzmt ar enerlkopa - visas iespjams izlases Izlasei den ar varbtbas blvumu, kas raksturo varbtbu no enerlkopas izvilkt dus mrijumus - g ( x) Ja mrijumi ir savstarpji neatkargi - g ( x) = gi (xi ) Izlases sadaljuma funkcija - Wn (x) =
n[x>xi ] n

Novrtjumi
Parametri, kuri iegti no izlases bet kuri raksturo enerlkopu tiek saukti par novrtjumiem Novrtjums a ir labs: ja ir konverjos:
N

lim a =a

nenovirzts - E {a } = a Matemtisk cerba: = 1 i n ) = 1 2 ( ), kas saista vidjs vrtbas novrtjuma dispersiju ar sadaljuma maing dispersiju! 2 ( n Sadaljuma g1 (1 ) = . . . = gn (n ) = f ( ) dispersijas novrtjums: 1 )2 s2 = n (i 1 2 s2 = s2 n 1 kovariciju novrt analogi dispersijai

Maksimls ticambas metode

Izlases varbtbas funkcija: Zinms sadaljums, kuram pakaus i Zinmi parametri , kuri den sadaljumu Tad var dent varbtbu maz apkrtn iegt tiei du izlasi: | L( ) = f (i | ) Mris noskaidrot , lai varbtba dai izlasei no enerlkopas btu maksimla!

Izlases informcija
Visprgi novrtjums S ir nobdts: B () = E (S ) Lai novrtjums btu labs, novrtt parametra 2 (S ) jbt pc iespjas mazkai, bet ie abi lielumi ir savstarpji saisttti ar informcijas neviendbu: ( )2 {( )2 } N f (x|) f (xi |) 2 =NE = E ( ) = E ( ) I () = E f (xi |) f (x|)
i=1

2 (S )

1 + B () I ()

= A()(S E (S )) Var pardt, ka mazk dispersija novrttjam S ir tad, ja izlases varbtba ir form - L = d eB ()S +C () 3

Mazk kvadrtu metode

Tiek uzskatts, ka mrijums y ir form - y = T +a 0 + Kur katrs i ir pc Centrls robeteormas ir ar Gausa sadaljumu T ir transformcijas matrica jeb Teilora rindas otrais loceklis, kas aprints pie t: yi = f (ti | ) + ai + i ir novrtjums parametriem no izlases - {(t1 , y1 , 1 ), . . . , (tn , yn , n )} Tiek meklti tadi parametri , lai varbtba dai izlasei btu vislielk. Zinot sadaljumu problma uzrakstma k: L= f (i , i | ) =
i2 1 e 2i 2i
2

No iepriekjs izteiksmes iegst, ka jmekl minimums - 2 ( ) = Summu, ja T , var minimizt pc adas shmas:

2 i 2 i

1 * Prrakstam problmu, ja C = H T H , H y = c , T = HT , form:

2 ( ) =

2 i 1 = [H ( y T x)]T H ( j T C y T x) = H ( y T x)2 = c T x2 2 = i

* Ja mrijumi ir 3, tad izteiksme ir attlums telp starp diviem punktiem. Ar brvajm x koordintm tiek denta telpa, kur konkrtie mrijumi attlojs k punkts. aj telp ir denjams c , kas veido taj apaktelpu, kas 3. mrijumiem vartu bt plakne vai taisne. Mazkais attlums starp diem objektiem bs tad, ja mrijumu punkts projicsies uz c apaktelpu. Varam c = c T x + c , tad redzams, ja attlums ldz apaktelpai ir minimls, tad c T x ir ortognls visiem vektoriem, ko veido T x. * No iepriekj sprieduma risinm - T x ( c T x) = 0 * Piereizinot ar T T un atrisinot LNHVS iegst:
1 1 x = (T T C T )1 C y 1 * Dispersijas varam novrtt, ja pieemam (T T C T )1 C par transformcijas matricu no maing uz x: 1 Cx = (T T C T )1

Sldoais vidjais
Ja ti ti1 = t = const, tad par laikrindu sauc - i = yi (ti ) + Vienkrkais veids k aprakstt tendenci ir k nesvrto vidjo vrtbu, kas apraksta tendenci tad, ja y = + t Visprg gadjum veic regresiju ar polinomu ap izvltu apkrtni. Lai procesu atvieglotu tiek izmantots, ka argumenta ass vrtbas var uzskatt par veseliem skaitiem.

Statistikas testi
Testa procedra: Formul noliedzamo hipotzi H0 Izvls nozmbas kritriju Atkarb no H0 tiek izvlts statistikas tests Aprina testa statistiku Nosaka varbtbu dai statistikai attiecb pret nozmbas kritriju Testa statistikas: 4

 X2 =

u2 i , kur ui =
s2 1 s2 2

yi f (xi ) i

Fiera -

< F1/2 (df1 , df2 )

Stjudenta(vidjai vrtba) - u < t1/2 Stjudenta(divm izlasm): * Konstru lielumu - = x y * Nosaka lieluma dispersiju - 2 () = 2 ( x) + 2 ( y) * Pieem, ka x un y nk no viena sadaljuma un iegst - s2 =
2 2 * Novrt dispersiju zinot to enerlkopai - s2 + sy = = sx
2 (N1 1)s2 x +(N2 1)sy (N1 1)+(N2 1) N1 +N2 2 N1 N2 s

* Konstru statistiku -

|x y | s

> t1/2

2 sadaljums
Ja pieem, ka kdu novirzes pakaus Gausa sadaljumam, tad katram ui = e
u /2
2

yi f (xi ) i

varbtba uz savas ass - f (ui ) =

Varbtbas blvums atrasties kd telpas apgabal du1 . . . duN : f (u1 , . . . , uN ) = u2 2 1 i eui /2 = exp( ) = exp( 2 ) 2 2 i=1
1 2

Varbtba, ka bs robes [, + d] ir proporcionla sfras aulas tilpumam N 1 d, selko - P () = N 1 e 2 d Lai iegtu 2 sadaljumu veic transformciju P (2 ) d2 = P () d un iegto sadaljumu norm: P (2 ) N 2 e Sadaljuma pabas: E (2 ) = df 2 (2 ) = 2df Ja df , tad tas tiecs uz normlo sadaljumu
2

/2