Data Science va sun'iy intellekt4.7-dars: Markaziy limit teoremasi
Data Science va sun'iy intellekt · Statistika

4.7-dars: Markaziy limit teoremasi

18 daqiqa7/14-dars

4-QISM — STATISTIKA · 7-dars


1. Kirish va motivatsiya

Statistikaning eng chuqur va kuchli g'oyasi — markaziy limit teoremasi (MLT, Central Limit Theorem). U ajoyib bir narsani aytadi: manba ma'lumot qanday taqsimlangan bo'lishidan qat'i nazar (qiyshiq, tekis, hatto g'alati), agar undan ko'p marta namuna olib, har namunaning o'rtachasini hisoblasangiz — o'rtachalar taqsimoti normal bo'ladi. Zar bir tekis (uniform), lekin 30 ta zar o'rtachasi normal. Bu nima uchun muhim? Chunki bu tufayli biz normal taqsimotning barcha kuchidan (68-95-99.7, z-score, ishonch oralig'i) foydalanamiz — hatto manba normal bo'lmasa ham. MLT — ishonch oralig'i 4.13-bob va gipoteza tekshirishning 4.12-bob matematik asosi. Nega muhim? (1) Normal universalligi — nega normal hamma joyda; (2) Xulosaviy statistika asosi — namunadan xulosa; (3) Ishonch va gipoteza — MLT ga tayanadi. Bu dars MLT ni o'rgatadi — statistikaning eng chuqur g'oyasi.

Markaziy limit teoremasi (MLT) — o'rtachalar normal: teorema (manba taqsimot qanday bo'lsa ham, o'rtachalar normal), namuna o'rtachasi (har namuna → o'rtacha; ko'p o'rtacha → normal), shartlar (namuna katta ~30+, mustaqil), standart xato (SE = std/√n — o'rtacha tarqoqligi), namuna kattaligi (katta n → aniqroq, tor), oqibat (normal universal, xulosaviy statistika). Foydalanish: xulosaviy statistika, ishonch, gipoteza. Bu 4.6 (normal), 4.13 (ishonch) bilan bog'liq. MLT — o'rtachalar normal. Manba muhim emas. Standart xato.

Real vaziyat. Data Scientist zar bilan sinab ko'rdi (bir tekis — 1-6 teng ehtimol, normal emas). Lekin 30 ta zar o'rtachasini ko'p marta oldi (har safar 30 zar tashlab o'rtacha) — o'rtachalar normal (qo'ng'iroq — MLT!). Manba bir tekis, lekin o'rtachalar normal. Nega muhim: so'rovnoma (1000 kishi o'rtachasi — normal, MLT; ishonch oralig'i — 4.13), sifat nazorati (partiya o'rtachasi — normal). Standart xato (SE = std/√n — o'rtacha qancha aniq; katta namuna → kichik SE → aniqroq). MLT normal taqsimotni universal qildi (manba qanday bo'lsa ham — o'rtacha normal; statistika ishlaydi). MLT — statistikaning eng chuqur g'oyasi (normal universalligi).

Bu darsda MLT ni o'rganamiz.

Bu darsda:

  • MLT nima (o'rtachalar normal)
  • Manba muhim emas
  • Standart xato (SE)
  • Namuna kattaligi ta'siri
  • MLT oqibatlari
  • MLT amaliyoti
  • MLT tuzoqlari
  • Amaliy: MLT modeli

ℹ Misollar real numpy/scipy bilan (deterministik) ishlaydi.


2. Nazariya — chuqur tushuntirish

2.1. MLT nima (o'rtachalar normal)

O'rtachalar normal taqsimlanadi:

python
import numpy as np

np.random.seed(0)

# Manba: bir tekis (uniform 1-6, zar — normal EMAS)
# Ko'p marta 30 ta zar o'rtachasini olamiz
ortachalar = []
for _ in range(10000):
    zar = np.random.randint(1, 7, 30)   # 30 zar
    ortachalar.append(zar.mean())        # o'rtacha

# ortachalar → NORMAL taqsimlangan (MLT!)
np.mean(ortachalar)   # ~3.5 (zar o'rtachasi)

MLT nima (o'rtachalar normal) — teorema: manba ma'lumotdan ko'p marta namuna olib, har namuna o'rtachasini hisoblasangiz — o'rtachalar normal taqsimlanadi. Sabab: bu ajoyib (manba bir tekis/qiyshiq bo'lsa ham — o'rtachalar normal; qo'ng'iroq); zar (bir tekis — 1-6 teng) lekin 30 zar o'rtachasi normal (MLT). "Namuna o'rtachasi" — har namuna bitta o'rtacha; ko'p namuna → ko'p o'rtacha → normal. MLT — statistikaning eng chuqur g'oyasi (nega normal universal). MLT — o'rtachalar normal (ko'p namuna o'rtachasi). Ajoyib. Normal.

2.2. Manba muhim emas

Manba muhim emas — MLT'ning eng kuchli qismi: manba taqsimot qanday bo'lsa ham (bir tekis, qiyshiq, ikki cho'qqi, g'alati) — o'rtachalar baribir normal. Sabab: bu universallik (har xil manba → bir xil natija: o'rtacha normal); nega — ko'p tasodifiy qiymat o'rtachasi markazga intiladi (chetlar bir-birini muvozanatlaydi — o'rtacha markazda jamlanadi → normal). Misol: maosh (qiyshiq — 4.5) lekin 1000 kishi o'rtachasi normal; zar (bir tekis) lekin 30 zar o'rtachasi normal. Shart: namuna yetarli katta (~30+), qiymatlar mustaqil. Manba muhim emas → normal universal (statistika har xil ma'lumotda ishlaydi). Manba muhim emas — har xil manba, o'rtacha normal. Universal. Muvozanat.

2.3. Standart xato (SE)

O'rtacha tarqoqligi:

python
import numpy as np

# Standart xato (SE) = std / sqrt(n)
data_std = 15
n = 100

SE = data_std / np.sqrt(n)    # 1.5

# SE — o'rtachaning tarqoqligi (o'rtacha qanchalik aniq)
# katta n → kichik SE → aniqroq o'rtacha

Standart xato (SE, Standard Error) — o'rtacha tarqoqligi: SE = std / sqrt(n) (namuna std / namuna kattaligi ildizi). Sabab: namuna o'rtachasi ham tarqoq (har namuna boshqa o'rtacha — 4.1); SE o'rtachalar qancha tarqoqligini o'lchaydi (o'rtacha qancha aniq — populyatsiya o'rtachasiga yaqin); std (individ qiymat tarqoqligi) vs SE (o'rtacha tarqoqligi — kichikroq). Katta n → kichik SE (aniqroq o'rtacha — √n; 4 baravar n → 2 baravar aniq). SE ishonch oralig'i asosi 4.13-bob. SE — o'rtacha tarqoqligi (std/√n). Aniqlik. Namuna kattaligi.

2.4. Namuna kattaligi ta'siri

Namuna kattaligi ta'siri — katta n yaxshi: (1) normalga yaqinroq — katta namuna → o'rtachalar taqsimoti normalga yaqinroq (MLT — kichik namunada taxminan, katta aniq); (2) kichik SE — katta n → SE = std/√n kichik (aniqroq o'rtacha; tor taqsimot); (3) aniqroq baholash — katta namuna populyatsiyani yaxshiroq baholaydi (4.1 — vakilli + katta); (4) √n — aniqlik √n bilan (4x namuna → 2x aniq; ko'payish sekinlashadi — 100→400 yaxshi, 10000→40000 kam foyda). Sabab: katta namuna ishonchliroq (MLT yaxshiroq ishlaydi, SE kichik); lekin √n (ko'payish qimmatlashadi — cheksiz katta kerak emas). ~30 (MLT boshlanadi), katta (aniqroq). Namuna kattaligi — katta n (normalga yaqin, kichik SE, √n). Aniqlik. √n.

2.5. MLT oqibatlari

MLT oqibatlari — nega muhim: (1) normal universal — MLT tufayli o'rtachalar normal (manba qanday bo'lsa ham); shunga normal hamma joyda (4.6 — nega keng); (2) xulosaviy statistika asosi — namunadan populyatsiya haqida xulosa 4.1-bob — MLT'ga tayanadi (o'rtacha normal — ishonch, gipoteza); (3) ishonch oralig'i 4.13-bob — o'rtacha ± 2 SE (95%; normal — 68-95-99.7); MLT asos; (4) gipoteza tekshirish 4.12-bob — o'rtachalar farqi (t-test, z-test) — MLT (o'rtacha normal). Sabab: MLT statistikaning matematik asosi (nega o'rtacha bilan xulosa mumkin — o'rtacha normal; ishonch, gipoteza ishlaydi). MLT oqibati — normal universal, xulosaviy statistika (ishonch, gipoteza). Asos. Muhim.

2.6. MLT amaliyoti

MLT amaliyoti: o'rtachalar normal (ko'p namuna o'rtachasi — MLT); manba muhim emas (har xil → normal); SE (std/√n — o'rtacha tarqoqligi); namuna ~30+ (MLT boshlanadi); katta n (aniqroq — kichik SE, normalga yaqin); ishonch/gipoteza (MLT asos — 4.12/4.13); individ vs o'rtacha (MLT — o'rtacha, individ emas). Tuzoqlar: individ normal deb (MLT — o'rtacha), kichik namuna (MLT ishlamaydi — ~30+), mustaqil emas (MLT shart buziladi), SE vs std (o'rtacha vs individ). Amaliyot — o'rtachalar normal, SE, namuna kattaligi. Universal. Asos.

2.7. MLT tuzoqlari

MLT asosiy tuzoqlari: individ qiymat normal deb (MLT — o'rtachalar normal, individ qiymat emas; maosh qiyshiq (individ), lekin maosh o'rtachasi normal; chalkashmang — MLT o'rtacha haqida); kichik namuna (MLT ~30+ namunada (taxminan); kichik namuna (n<30) — o'rtachalar normal emas yoki taxminan; katta namuna); mustaqil emas (MLT qiymatlar mustaqil bo'lishini talab (bog'liq qiymatlar — MLT buziladi; masalan vaqt qatori — ketma-ket bog'liq)); SE vs std chalkash (std — individ qiymat tarqoqligi; SE — o'rtacha tarqoqligi (std/√n, kichikroq); turli); √n sekin (aniqlik √n — 4x namuna 2x aniq; cheksiz katta foydasiz — qimmatlashadi); manba juda qiyshiq (juda qiyshiq/og'ir dumli manba — MLT sekinroq (kattaroq n kerak)); populyatsiya o'rtachasi deb (namuna o'rtachasi — populyatsiya o'rtachasi taxmin (± SE), aniq emas). Sabab: MLT o'rtacha/shart nozik (individ vs o'rtacha, kichik namuna, mustaqillik — chalkash). Yechim: o'rtacha (individ emas), ~30+, mustaqil, SE (std emas). Tuzoqlar — individ, kichik namuna, mustaqil, SE/std.

2.8. MLT — statistikaning eng chuqur g'oyasi

MLT asosiy g'oyasi — statistikaning eng chuqur g'oyasi: manba taqsimot qanday bo'lsa ham (bir tekis, qiyshiq, g'alati) — o'rtachalar normal taqsimlanadi (ko'p namuna o'rtachasi → normal; ajoyib, universal). Manba muhim emas (har xil → normal; chetlar muvozanatlanadi), standart xato (SE = std/√n — o'rtacha tarqoqligi, aniqlik), namuna kattaligi (~30+ MLT; katta n → kichik SE, normalga yaqin, √n). Oqibat: normal universal (4.6 — nega keng: MLT); xulosaviy statistika asosi (namunadan xulosa — o'rtacha normal); ishonch oralig'i (4.13 — ± 2 SE), gipoteza 4.12-bob — MLT'ga tayanadi. Eng muhim tuzoq: MLT o'rtachalar haqida (individ qiymat emas — maosh qiyshiq, o'rtachasi normal). Data Science'da MLT matematik asos (statistika nega ishlaydi — o'rtacha normal; ishonch, gipoteza, so'rovnoma, sifat nazorati). Bu 4.6 (normal) davomi va 4.12 (gipoteza), 4.13 (ishonch) uchun poydevor. MLT — statistikaning eng chuqur g'oyasi (o'rtachalar normal). Universal. Asos.


3. Tez ma'lumotnoma

python
import numpy as np

# MLT: manba QANDAY bo'lsa ham, o'rtachalar NORMAL
# (ko'p namuna o'rtachasi → normal)
ortachalar = []
for _ in range(10000):
    namuna = np.random.randint(1, 7, 30)   # 30 zar (bir tekis)
    ortachalar.append(namuna.mean())
# ortachalar → NORMAL (MLT)

# STANDART XATO (SE — o'rtacha tarqoqligi):
SE = std / np.sqrt(n)
#   katta n → kichik SE → aniqroq o'rtacha
#   aniqlik √n bilan (4x namuna → 2x aniq)

# SHARTLAR:
#   namuna ~30+ (MLT boshlanadi)
#   qiymatlar mustaqil

# OQIBAT:
#   normal universal · xulosaviy statistika asosi
#   ishonch oralig'i 4.13-bob, gipoteza (4.12)

QOIDA: MLT o'rtacha (individ emas!) · ~30+ · SE=std/√n · manba muhim emas

MLT xulosasi

MLT — statistikaning eng chuqur g'oyasi (o'rtachalar normal)
Manba muhim emas — har xil → o'rtachalar normal
Standart xato — SE = std/√n (o'rtacha tarqoqligi, aniqlik)
Namuna kattaligi — ~30+ (MLT), katta n (kichik SE, √n)
Oqibat — normal universal, xulosaviy statistika asosi

4. Batafsil misollar

Misollar real numpy/scipy bilan (deterministik) ishlaydi.

Misol 1 — MLT (zar o'rtachasi)

python
"""MLT: zar o'rtachasi normal (real numpy)."""

import numpy as np


def main() -> None:
    np.random.seed(0)

    print("=== 1. Manba: bir tekis (zar) ===")
    bitta_zar = np.random.randint(1, 7, 10000)
    print(f"  zar o'rtacha: {round(bitta_zar.mean(), 2)} (bir tekis)")

    print("\n=== 2. 30 zar o'rtachalari ===")
    ortachalar = np.array([np.random.randint(1, 7, 30).mean() for _ in range(10000)])
    print(f"  o'rtachalar o'rtachasi: {round(ortachalar.mean(), 2)}")

    print("\n=== 3. O'rtachalar normal (MLT) ===")
    from scipy import stats
    p = stats.normaltest(ortachalar).pvalue
    print(f"  o'rtachalar taqsimoti normalga yaqin")

    print("\n=== 4. Xulosa ===")
    print("  manba bir tekis, lekin o'rtachalar NORMAL")
    print("  ⭐ MLT — o'rtachalar normal (manba muhim emas)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

text
=== 1. Manba: bir tekis (zar) ===
  zar o'rtacha: 3.49 (bir tekis)

=== 2. 30 zar o'rtachalari ===
  o'rtachalar o'rtachasi: 3.5

=== 3. O'rtachalar normal (MLT) ===
  o'rtachalar taqsimoti normalga yaqin

=== 4. Xulosa ===
  manba bir tekis, lekin o'rtachalar NORMAL
  ⭐ MLT — o'rtachalar normal (manba muhim emas)

Nima ko'rsatdi: 2.1, 2.2-bo'limlar.

Misol 2 — Manba muhim emas

python
"""Manba muhim emas (real numpy)."""

import numpy as np


def main() -> None:
    np.random.seed(0)

    print("=== 1. Qiyshiq manba (eksponensial) ===")
    ort_eksp = np.array([np.random.exponential(2, 50).mean() for _ in range(5000)])
    print(f"  o'rtachalar o'rtachasi: {round(ort_eksp.mean(), 2)}")

    print("\n=== 2. Bir tekis manba ===")
    ort_tekis = np.array([np.random.uniform(0, 10, 50).mean() for _ in range(5000)])
    print(f"  o'rtachalar o'rtachasi: {round(ort_tekis.mean(), 2)}")

    print("\n=== 3. Ikkalasi ham normalga yaqin ===")
    from scipy import stats
    print(f"  eksp o'rtachalar skew: {round(stats.skew(ort_eksp), 2)} (~0 normal)")

    print("\n=== 4. Xulosa ===")
    print("  har xil manba → o'rtachalar normal")
    print("  ⭐ Manba muhim emas (MLT universal)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

text
=== 1. Qiyshiq manba (eksponensial) ===
  o'rtachalar o'rtachasi: 2.0

=== 2. Bir tekis manba ===
  o'rtachalar o'rtachasi: 4.99

=== 3. Ikkalasi ham normalga yaqin ===
  eksp o'rtachalar skew: 0.25 (~0 normal)

=== 4. Xulosa ===
  har xil manba → o'rtachalar normal
  ⭐ Manba muhim emas (MLT universal)

Nima ko'rsatdi: 2.2-bo'lim.

Misol 3 — Standart xato

python
"""Standart xato: SE (real numpy)."""

import numpy as np


def main() -> None:
    data_std = 15

    print("=== 1. SE formulasi ===")
    for n in [25, 100, 400]:
        SE = data_std / np.sqrt(n)
        print(f"  n={n}: SE = {round(SE, 2)}")

    print("\n=== 2. Katta n → kichik SE ===")
    print("  n oshgani sari SE kamayadi (aniqroq)")

    print("\n=== 3. √n qoidasi ===")
    print(f"  n: 100→400 (4x), SE: {15/10}→{15/20} (2x kichik)")

    print("\n=== 4. SE vs std ===")
    print(f"  std: {data_std} (individ), SE (n=100): {data_std/10} (o'rtacha)")
    print("  ⭐ SE — o'rtacha tarqoqligi (std/√n)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

text
=== 1. SE formulasi ===
  n=25: SE = 3.0
  n=100: SE = 1.5
  n=400: SE = 0.75

=== 2. Katta n → kichik SE ===
  n oshgani sari SE kamayadi (aniqroq)

=== 3. √n qoidasi ===
  n: 100→400 (4x), SE: 1.5→0.75 (2x kichik)

=== 4. SE vs std ===
  std: 15 (individ), SE (n=100): 1.5 (o'rtacha)
  ⭐ SE — o'rtacha tarqoqligi (std/√n)

Nima ko'rsatdi: 2.3-bo'lim.

Misol 4 — Namuna kattaligi

python
"""Namuna kattaligi ta'siri (real numpy)."""

import numpy as np


def main() -> None:
    np.random.seed(0)
    populyatsiya = np.random.exponential(5, 1000000)   # qiyshiq

    print("=== 1. Kichik namuna (n=10) ===")
    ort10 = np.array([np.random.choice(populyatsiya, 10).mean() for _ in range(5000)])
    print(f"  o'rtachalar std: {round(ort10.std(), 2)} (keng)")

    print("\n=== 2. Katta namuna (n=100) ===")
    ort100 = np.array([np.random.choice(populyatsiya, 100).mean() for _ in range(5000)])
    print(f"  o'rtachalar std: {round(ort100.std(), 2)} (tor)")

    print("\n=== 3. Katta n → tor (aniqroq) ===")
    print(f"  n=10 std > n=100 std: {ort10.std() > ort100.std()}")

    print("\n=== 4. Xulosa ===")
    print("  katta namuna → o'rtachalar tor (aniqroq, kichik SE)")
    print("  ⭐ Namuna kattaligi — katta n aniqroq (√n)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

text
=== 1. Kichik namuna (n=10) ===
  o'rtachalar std: 1.56 (keng)

=== 2. Katta namuna (n=100) ===
  o'rtachalar std: 0.5 (tor)

=== 3. Katta n → tor (aniqroq) ===
  n=10 std > n=100 std: True

=== 4. Xulosa ===
  katta namuna → o'rtachalar tor (aniqroq, kichik SE)
  ⭐ Namuna kattaligi — katta n aniqroq (√n)

Nima ko'rsatdi: 2.4-bo'lim.


5. To'g'ri va noto'g'ri tushunishlar

Noto'g'ri fikr To'g'risi
"MLT — individ qiymat normal" O'rtachalar normal
"manba normal bo'lishi kerak" Har xil manba (universal)
"kichik namuna ham MLT" ~30+ kerak
"SE = std" SE = std/√n (o'rtacha)
"katta n cheksiz yaxshi" √n (sekinlashadi)
"MLT keraksiz nazariya" Xulosaviy statistika asosi
"namuna o'rtachasi = populyatsiya" Taxmin (± SE)
"bog'liq qiymat OK" Mustaqil kerak

6. Keng tarqalgan xatolar va yechimlari

1. Individ vs o'rtacha

python
# maosh normal deb (MLT — o'rtacha!)                          # ⚠️
# maosh o'rtachasi normal (individ qiyshiq)                    # ✅

2. Kichik namuna

python
# n=5 o'rtachalar normal deb                                  # ⚠️
# n ~30+ (MLT boshlanadi)                                     # ✅

3. SE vs std

python
std   # individ tarqoqligi                                    # ⚠️
std / np.sqrt(n)   # SE (o'rtacha tarqoqligi)                 # ✅

4. Katta n cheksiz

python
# n=1000000 (ortiqcha)                                        # ⚠️
# √n (foyda sekinlashadi — n=400 ko'pincha yetadi)             # ✅

5. Mustaqillik

python
# vaqt qatori (bog'liq) — MLT buziladi                       # ⚠️
# mustaqil qiymatlar (MLT shart)                              # ✅

6. Populyatsiya deb

python
namuna.mean()   # populyatsiya o'rtachasi deb (aniq)          # ⚠️
namuna.mean() ± SE   # taxmin (ishonch — 4.13)                # ✅

7. Juda qiyshiq manba

python
# n=30 juda qiyshiq manbaga (yetmaydi)                        # ⚠️
# kattaroq n (juda qiyshiq — sekinroq)                        # ✅

7. Integratsiya — bu bilim qayerda kerak bo'ladi

  • 4.6-dars (o'tilgan): Normal taqsimot
  • 4.1-dars (o'tilgan): Namuna vs populyatsiya
  • 4.13-dars (keyin): Ishonch oralig'i (± SE)
  • 4.12-dars (keyin): Gipoteza (o'rtacha normal)
  • 20-qism: ML (statistik asoslar)

8. Eng yaxshi amaliyotlar

  1. MLT — o'rtachalar normal (individ emas).

  2. Manba muhim emas (universal).

  3. Namuna ~30+ (MLT).

  4. SE = std/√n (o'rtacha tarqoqligi).

  5. Katta n — aniqroq (√n).

  6. Mustaqil qiymatlar (MLT shart).

  7. Namuna o'rtachasi — taxmin (± SE).

  8. MLT — statistikaning eng chuqur g'oyasi.


9. Amaliy topshiriq

Vazifa 1: Bashorat qiling

python
1.  # MLT nima?
2.  # nima normal bo'ladi?
3.  # manba muhimmi?
4.  # nega ajoyib?
5.  # SE nima?
6.  # SE formulasi?
7.  # SE vs std?
8.  # namuna kattaligi?
9.  # katta n ta'siri?
10. # individ normalmi?
11. # namuna soni?
12. # nega MLT muhim?
Javoblar
  1. O'rtachalar normal taqsimlanadi
  2. Namuna o'rtachalari
  3. Yo'q (har xil manba)
  4. Manba qanday bo'lsa ham normal
  5. Standart xato (o'rtacha tarqoqligi)
  6. std / √n
  7. SE o'rtacha, std individ
  8. Katta n aniqroq
  9. Kichik SE, normalga yaqin
  10. Yo'q (o'rtachalar)
  11. ~30+ (MLT)
  12. Normal universal, xulosaviy statistika asosi

Vazifa 2: Xatolarni tuzating

python
1.  # maosh normal (MLT)

2.  # n=5 MLT

3.  std   # o'rtacha tarqoqligi

4.  # n=1000000

5.  namuna.mean()   # populyatsiya (aniq)
Javoblar
python
1.  maosh o'rtachasi normal (individ qiyshiq)

2.  n ~30+

3.  std / np.sqrt(n) (SE)

4.  √n (n=400 yetadi)

5.  taxmin (± SE)

Vazifa 3: MLT

Modellang:

  1. O'rtachalar
  2. Normal
  3. Manba muhim emas
  4. Universal

Vazifa 4: SE

Modellang:

  1. std/√n
  2. O'rtacha tarqoqligi
  3. Aniqlik
  4. Katta n

Vazifa 5: Namuna

Modellang:

  1. ~30+
  2. Katta n
  3. Kichik SE
  4. √n

Vazifa 6: Oqibat

Modellang:

  1. Normal universal
  2. Xulosaviy statistika
  3. Ishonch
  4. Gipoteza

Vazifa 7: O'ylash

Markaziy limit teoremasi aytadi: manba qanday taqsimlangan bo'lsa ham (qiyshiq, tekis, g'alati), o'rtachalar normal bo'ladi. Nima uchun bu "ajoyib" natija — nega o'rtacha olish "tartibsizlikni tartibga" aylantiradi (chetlar bir-birini muvozanatlaydi), va nega bu butun xulosaviy statistikani mumkin qiladi?

Javob

Qisqa javob: MLT "ajoyib" (manba qanday bo'lsa ham — o'rtachalar normal), o'rtacha "tartibsizlikni tartibga", butun xulosaviy statistikani mumkin qiladi, chunki: (1) chetlar muvozanatlanadi — o'rtacha olganda katta va kichik qiymatlar bir-birini muvozanatlaydi (bir namunada chet katta, boshqasida chet kichik — o'rtacha markazga intiladi); tasodifiy chetlar yo'qoladi (o'rtacha — markaz atrofi); (2) markazga intilish — ko'p qiymat o'rtachasi markazda jamlanadi (chetga chiqish qiyin — hamma qiymat bir vaqtda chet bo'lishi kerak, kam ehtimol); shunga o'rtachalar markaz atrofida (normal); (3) manba yo'qoladi — o'rtacha manba shaklini yo'qotadi (individ qiyshiq, lekin o'rtacha markazga — shakl normal); universal. "Nega tartibsizlikni tartibga": individ qiymatlar tartibsiz (qiyshiq, g'alati — har xil); o'rtacha tartibli (normal — qo'ng'iroq, oldindan bilsa bo'ladi); o'rtacha olish muvozanatlaydi (chetlar — o'rtacha markaz; tartibsizlik → tartib). "Nega xulosaviy statistikani mumkin qiladi": (a) o'rtacha normal — biz o'rtacha bilan ishlaymiz (namuna o'rtachasi — populyatsiya o'rtachasi taxmin); MLT o'rtacha normal deydi (manba noma'lum bo'lsa ham); (b) normal kuchi — normal (68-95-99.7, z-score — 4.6) o'rtachaga qo'llanadi (ishonch oralig'i — ± 2 SE; gipoteza — z/t-test); (c) manba noma'lum — real ma'lumot manbasi noma'lum (qanday taqsimlangan?); MLT kerak emas (manba muhim emas — o'rtacha normal; xulosa mumkin); (d) matematik asos — ishonch 4.13-bob, gipoteza 4.12-bob — MLT'ga tayanadi (o'rtacha normal — formulalar ishlaydi). Saboqlar: chetlar muvozanatlanadi (o'rtacha markazga); markazga intilish (chet kam ehtimol); manba yo'qoladi (o'rtacha universal — normal); xulosaviy statistika (o'rtacha normal — ishonch, gipoteza). To'g'ri: o'rtacha bilan ishla (MLT — normal); manba bilmasa ham (o'rtacha normal — xulosa). Muvozanat: individ (tartibsiz — qiyshiq) → o'rtacha (tartibli — normal); MLT bu o'tishni kafolatlaydi. Bu statistikaning eng chuqur g'oyasi (o'rtacha tartibga — normal; manba muhim emas; xulosaviy statistika asosi); "ajoyib" (kutilmagan — g'alati manba → normal o'rtacha). MLT — nega statistika ishlaydi (o'rtacha normal — universal xulosa).

1. Nega ajoyib (chetlar muvozanatlanadi)

  • Katta/kichik chetlar bir-birini muvozanatlaydi
  • Markazga intilish (chet kam ehtimol)
  • Manba yo'qoladi (o'rtacha markaz — normal)

2. Nega tartibsizlikni tartibga

  • Individ tartibsiz (qiyshiq, g'alati)
  • O'rtacha tartibli (normal — qo'ng'iroq)
  • O'rtacha muvozanatlaydi (chet → markaz)

3. Nega xulosaviy statistika mumkin

  • O'rtacha normal (biz o'rtacha bilan ishlaymiz)
  • Normal kuchi (68-95-99.7, z-score — o'rtachaga)
  • Manba noma'lum (MLT — muhim emas)
  • Matematik asos (ishonch, gipoteza — MLT)

4. Individ vs o'rtacha

Individ O'rtacha (MLT)
Tartibsiz (qiyshiq) Tartibli (normal)
Manba shakli Manba yo'qoladi

5. Saboqlar

  1. Chetlar muvozanatlanadi (markazga)
  2. Manba yo'qoladi (o'rtacha normal)
  3. O'rtacha normal (xulosaviy statistika)
  4. MLT — matematik asos (ishonch, gipoteza)

6. Xulosa

  1. Ajoyib (chetlar muvozanatlanadi — markaz)
  2. Tartibsizlik → tartib (o'rtacha normal)
  3. Xulosaviy statistika mumkin (o'rtacha normal)
  4. MLT — nega statistika ishlaydi (universal)

Nimani mustahkamlaydi: 2.2, 2.5-bo'limlar.


Xulosa

Bu darsda MLT ni o'rgandik.

Eng muhim uch fikr:

  1. MLT va manba. MLT — manba ma'lumotdan ko'p marta namuna olib, har namuna o'rtachasini hisoblasangiz — o'rtachalar normal taqsimlanadi (zar bir tekis, lekin 30 zar o'rtachasi normal). Manba muhim emas — manba taqsimot qanday bo'lsa ham (bir tekis, qiyshiq, g'alati) o'rtachalar baribir normal (chetlar muvozanatlanadi — o'rtacha markazga intiladi; universal).

  2. Standart xato va namuna. Standart xato (SE) — o'rtacha tarqoqligi: SE = std / √n (namuna std / kattalik ildizi; std individ tarqoqligi, SE o'rtacha tarqoqligi — kichikroq). Namuna kattaligi — katta n → kichik SE (aniqroq o'rtacha), normalga yaqinroq; √n (4x namuna → 2x aniq; ~30 MLT boshlanadi).

  3. Eng chuqur g'oya. Oqibat — normal universal (4.6 — nega keng: MLT); xulosaviy statistika asosi (namunadan xulosa — o'rtacha normal); ishonch oralig'i (4.13 — ± 2 SE), gipoteza 4.12-bob — MLT'ga tayanadi. MLT — statistikaning eng chuqur g'oyasi (o'rtachalar normal — matematik asos; nega statistika ishlaydi). Eng muhim tuzoq: MLT o'rtachalar haqida (individ qiymat emas — maosh qiyshiq, o'rtachasi normal). Data Science'da matematik asos (so'rovnoma, sifat nazorati, ishonch, gipoteza). Tuzoqlar: individ normal deb, kichik namuna (~30+), mustaqil emas, SE vs std.

Keyingi darsda namuna olish va namuna xatosini o'rganamiz: to'g'ri namuna qanday olinadi (tasodifiy, qatlamli), bias qanday paydo bo'ladi — ishonchli xulosa uchun namuna sifati.

Statistika · 7-dars yakunlandi

4.7-dars: Markaziy limit teoremasi

18 daqvaqt
0belgi
Keyingi dars: 4.8-dars: Namuna olish
Telegram'da
Darsda xato koʻrdingizmi?

Izohlar · 0