160 likes | 410 Views
Mitmemõõtmeline normaaljaotus. Statistika põhijaotused. Segujaotus. Loeng 8. Eelmises loengus. Õppisime genereerima normaaljaotusega N(0,1) juhuslikke (või pseudojuhuslikke) suuruseid. Kui X 1 , X 2 ~ U(0,1), sõltumatud siis Y 1 = sin(2 π X 2 ) * sqrt(-2 ln( X 1 ))
E N D
Mitmemõõtmeline normaaljaotus. Statistika põhijaotused. Segujaotus. Loeng 8
Eelmises loengus... Õppisime genereerima normaaljaotusega N(0,1) juhuslikke (või pseudojuhuslikke) suuruseid. Kui X1, X2 ~ U(0,1), sõltumatud siis Y1 = sin(2πX2) * sqrt(-2 ln(X1)) Y2 = cos(2πX2) * sqrt(-2 ln(X1)) on sõltumatud normaaljaotusega N(0,1) juhuslikud suurused
Normaaljaotus N(μ; σ2) Kui X~N(0,1), siis mis jaotusega on Y := aX+b ? Y ~ N(b, a2)
Mitmemõõtmeline normaaljaotus Juhuslik vektor Y~N(μ; Σ) on normaaljaotusega juhuslik suurus parameetritegaμ ja Σ, kui tema tihedusfunktsioon avaldub kujul EY= μ; DY = Σ
Teoreem Kui X~N(μ; Σ), siis Y:=AX+b ~ N(Aμ+b; AΣAT). Tõestus:
Normaaljaotusest N(μ; Σ) genereerimine • Lihtne genereerida p-mõõtmeline juhuslike suuruste vektor X jaotusega X~ N(0; I) • Leia selline maatriks A, et AAT = Σ • Genereeri juhuslike suuruste vektor Y: Y = AX + μ • Eeltoodud teoreemi põhjal Y~ N(μ; Σ).
Maatriksi A, AAT=Σ, konstrueerimisest Arv λi on pxp maatriksi Σomaväärtus ning px1 vektor vi pikkusega 1 (viT vi =1) on omaväärtusele λi vastav omavektor, kui Σ vi=λi vi Maatrikskujul on omaväärtused ja omavektorid määratud võrranditega: Σ V = V Λ VTV = I
Σ V = V Λ Σ V VT= V Λ VT Σ= V Λ VT V-1 = VT Variant 1 A = VΛ1/2 Variant 2 A = VΛ1/2 VT
Segujaotuse modelleerimine f(x) = 0.77/sqrt(2π33)*exp(-(x-167)2/66)+0.23/sqrt(2π46)*exp(-(x-182)2/92)
Statistika põhijaotuste modelleerimine Hii-ruut jaotus X1, X2, ..., Xk ~ N(0,1) sõltumatud Z := X12 + X22 + ... + Xk2 Z ~ Χ2df=k Kui k→∞, siis Χ2df=k→ N(μ=k, σ2=2k)
T-jaotus Olgu X~N(0,1); Y~ Χ2df=k; X ┴ Y siis Z := X/sqrt(Y/k) ~ t df=k