Statistikos pagrindai: pasiruošimo paketas

Aprašomoji statistika: vidurkis – suma, padalyta iš n; mediana – surikiuotų duomenų vidurinė reikšmė (kai n lyginis – dviejų vidurinių vidurkis). Imties standartinis nuokrypis s = √(Σ(x − x̄)²/(n − 1)). z įvertis z = (x − μ)/σ parodo, per kiek standartinių nuokrypių reikšmė nutolusi nuo vidurkio.

Aprašomoji statistika: vidurkis – suma, padalyta iš n; mediana – surikiuotų duomenų vidurinė reikšmė (kai n lyginis – dviejų vidurinių vidurkis). Imties standartinis nuokrypis s = √(Σ(x − x̄)²/(n − 1)). z įvertis z = (x − μ)/σ parodo, per kiek standartinių nuokrypių reikšmė nutolusi nuo vidurkio.

Tikimybės: kai baigtys vienodai tikėtinos, P(A) = palankios/visos. Nepriklausomų įvykių tikimybės dauginamos: P(A ir B) = P(A)·P(B). Dažnai padeda priešingas įvykis: P(bent vienas) = 1 − P(nė vieno). Binominis skirstinys: n nepriklausomų bandymų su sėkmės tikimybe p, P(X = k) = C(n, k)·pᵏ·(1 − p)ⁿ⁻ᵏ.

Diskretieji atsitiktiniai dydžiai: tikimybių skirstinys išvardija kiekvieną reikšmę x, kurią dydis gali įgyti, su jos tikimybe p(x); tikimybės yra tarp 0 ir 1, o jų suma lygi 1. Laukiamoji vertė (vidurkis) yra E(X) = Σx·p(x), ilgalaikis vidurkis. Dispersija yra Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², o standartinis nuokrypis σ = √Var(X). Tiesiniam pokyčiui Y = aX + b: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) ir σ_Y = |a|·σ_X; konstantos pridėjimas sklaidos nekeičia.

Normaliųjų dydžių sumos ir skirtumai: jei X ir Y yra nepriklausomi ir normalieji, tai X + Y ir X − Y taip pat normalieji. Vidurkiai sudedami arba atimami: E(X ± Y) = μ_X ± μ_Y. Dispersijos visada sudedamos, net ir skirtumui: Var(X ± Y) = σ_X² + σ_Y², todėl σ = √(σ_X² + σ_Y²). Standartiniai nuokrypiai tiesiogiai niekada nesudedami. n nepriklausomų vienodai pasiskirsčiusių elementų sumos vidurkis yra n·μ, o standartinis nuokrypis σ·√n. Tada standartizuokite kaip įprasta: z = (x − vidurkis)/σ ir raskite Φ(z).

Normaliųjų dydžių sumos ir skirtumai: jei X ir Y yra nepriklausomi ir normalieji, tai X + Y ir X − Y taip pat normalieji. Vidurkiai sudedami arba atimami: E(X ± Y) = μ_X ± μ_Y. Dispersijos visada sudedamos, net ir skirtumui: Var(X ± Y) = σ_X² + σ_Y², todėl σ = √(σ_X² + σ_Y²). Standartiniai nuokrypiai tiesiogiai niekada nesudedami. n nepriklausomų vienodai pasiskirsčiusių elementų sumos vidurkis yra n·μ, o standartinis nuokrypis σ·√n. Tada standartizuokite kaip įprasta: z = (x − vidurkis)/σ ir raskite Φ(z).

Confidence interval for a mean: x̄ ± margin of error. With a known population σ the margin is z·σ/√n; with only the sample standard deviation s, use t with n − 1 degrees of freedom: t·s/√n. Critical values: z = 1,645 (90%), 1,96 (95%), 2,576 (99%). To get a margin E or smaller, you need n ≥ (z·σ/E)², rounded up.

Vidurkio pasikliautinasis intervalas: x̄ ± paklaidos riba. Kai populiacijos σ žinomas, paklaidos riba yra z·σ/√n; kai žinomas tik imties standartinis nuokrypis s, naudokite t su n − 1 laisvės laipsniu: t·s/√n. Kritinės reikšmės: z = 1,645 (90 %), 1,96 (95 %), 2,576 (99 %). Kad paklaidos riba būtų ne didesnė kaip E, reikia n ≥ (z·σ/E)², suapvalinus aukštyn.

Hypothesis test: the test statistic = (estimate − value under H₀)/(standard error under H₀). The p-value is the probability, assuming H₀ is true, of a statistic at least as extreme as the one observed: the area in one tail for a one-sided H₁, twice the tail area for a two-sided H₁. Reject H₀ when p ≤ α.

Hypothesis test: the test statistic = (estimate − value under H₀)/(standard error under H₀). The p-value is the probability, assuming H₀ is true, of a statistic at least as extreme as the one observed: the area in one tail for a one-sided H₁, twice the tail area for a two-sided H₁. Reject H₀ when p ≤ α.

Mažiausiųjų kvadratų regresija: kai x̄ ir ȳ – vidurkiai, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² ir Sxy = Σ(x − x̄)(y − ȳ), tiesės ŷ = a + b·x krypties koeficientas b = Sxy/Sxx, o laisvasis narys a = ȳ − b·x̄, todėl ji visada eina per tašką (x̄, ȳ). Pirsono koreliacijos koeficientas r = Sxy/√(Sxx·Syy) yra tarp −1 ir 1; r² – tiese paaiškinama y kitimo dalis.

Mažiausiųjų kvadratų regresija: kai x̄ ir ȳ – vidurkiai, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² ir Sxy = Σ(x − x̄)(y − ȳ), tiesės ŷ = a + b·x krypties koeficientas b = Sxy/Sxx, o laisvasis narys a = ȳ − b·x̄, todėl ji visada eina per tašką (x̄, ȳ). Pirsono koreliacijos koeficientas r = Sxy/√(Sxx·Syy) yra tarp −1 ir 1; r² – tiese paaiškinama y kitimo dalis.