4.7-dars: Markaziy limit teoremasi
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:
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:
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
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 emasMLT 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 asosi4. Batafsil misollar
Misollar real numpy/scipy bilan (deterministik) ishlaydi.
Misol 1 — MLT (zar o'rtachasi)
"""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:
=== 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
"""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:
=== 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
"""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:
=== 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
"""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:
=== 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
# maosh normal deb (MLT — o'rtacha!) # ⚠️
# maosh o'rtachasi normal (individ qiyshiq) # ✅2. Kichik namuna
# n=5 o'rtachalar normal deb # ⚠️
# n ~30+ (MLT boshlanadi) # ✅3. SE vs std
std # individ tarqoqligi # ⚠️
std / np.sqrt(n) # SE (o'rtacha tarqoqligi) # ✅4. Katta n cheksiz
# n=1000000 (ortiqcha) # ⚠️
# √n (foyda sekinlashadi — n=400 ko'pincha yetadi) # ✅5. Mustaqillik
# vaqt qatori (bog'liq) — MLT buziladi # ⚠️
# mustaqil qiymatlar (MLT shart) # ✅6. Populyatsiya deb
namuna.mean() # populyatsiya o'rtachasi deb (aniq) # ⚠️
namuna.mean() ± SE # taxmin (ishonch — 4.13) # ✅7. Juda qiyshiq manba
# 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
MLT — o'rtachalar normal (individ emas).
Manba muhim emas (universal).
Namuna ~30+ (MLT).
SE = std/√n (o'rtacha tarqoqligi).
Katta n — aniqroq (√n).
Mustaqil qiymatlar (MLT shart).
Namuna o'rtachasi — taxmin (± SE).
MLT — statistikaning eng chuqur g'oyasi.
9. Amaliy topshiriq
Vazifa 1: Bashorat qiling
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
- O'rtachalar normal taqsimlanadi
- Namuna o'rtachalari
- Yo'q (har xil manba)
- Manba qanday bo'lsa ham normal
- Standart xato (o'rtacha tarqoqligi)
- std / √n
- SE o'rtacha, std individ
- Katta n aniqroq
- Kichik SE, normalga yaqin
- Yo'q (o'rtachalar)
- ~30+ (MLT)
- Normal universal, xulosaviy statistika asosi
Vazifa 2: Xatolarni tuzating
1. # maosh normal (MLT)
2. # n=5 MLT
3. std # o'rtacha tarqoqligi
4. # n=1000000
5. namuna.mean() # populyatsiya (aniq)Javoblar
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:
- O'rtachalar
- Normal
- Manba muhim emas
- Universal
Vazifa 4: SE
Modellang:
- std/√n
- O'rtacha tarqoqligi
- Aniqlik
- Katta n
Vazifa 5: Namuna
Modellang:
- ~30+
- Katta n
- Kichik SE
- √n
Vazifa 6: Oqibat
Modellang:
- Normal universal
- Xulosaviy statistika
- Ishonch
- 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
- Chetlar muvozanatlanadi (markazga)
- Manba yo'qoladi (o'rtacha normal)
- O'rtacha normal (xulosaviy statistika)
- MLT — matematik asos (ishonch, gipoteza)
6. Xulosa
- Ajoyib (chetlar muvozanatlanadi — markaz)
- Tartibsizlik → tartib (o'rtacha normal)
- Xulosaviy statistika mumkin (o'rtacha normal)
- MLT — nega statistika ishlaydi (universal)
Nimani mustahkamlaydi: 2.2, 2.5-bo'limlar.
Xulosa
Bu darsda MLT ni o'rgandik.
Eng muhim uch fikr:
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).
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).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.
Izohlar · 0
Izoh yozish uchun kiring.