Obsidian/Statistika/Jaotused/Juhuslike maatriksite teooria.md

---

tags:

• statistika --- Juhuslike maatriksite teooria on matemaatika ja statistilise füüsika haru, mis uurib maatrikseid, mille elemendid on juhuslikud suurused (st nad järgivad mingit tõenäosusjaotust). See teooria on leidnud rakendusi paljudes valdkondades – alates tuumafüüsikast ja kvantkaosest kuni masinõppe, andmeteaduse ja isegi rahanduseni.

Peamised ideed

• Juhuslik maatriks on maatriks (ristkülikukujuline arvude tabel), mille sisu on määratud juhuslikkuse abil. Näiteks võivad kõik elemendid olla sõltumatud normaaljaotusega arvud.
• Teooria keskendub suurte maatriksite omaväärtuste ja omavektorite statistilistele omadustele. Selgub, et need omadused on universaalsed – nad ei sõltu üksikute elementide täpsest jaotusest, vaid üksnes mõnest üldisest sümmeetriast.

Olulisemad tulemused

• Wigneri poolringiseadus – suurte sümmeetriliste juhuslike maatriksite omaväärtused koonduvad poolringikujulisele tihedusele.
• Tracy–Widomi jaotus – kirjeldab suurima omaväärtuse kõikumisi, mis erineb tavalistest normaaljaotustest.
• Universaalsus – paljud juhuslike maatriksite omadused on ühised erinevatele mudelitele (näiteks erinevad tõenäosusjaotused elementidele).

Rakendused

• Kvantfüüsika – raskete tuumade energiatasemete statistika (klassikaline Wigneri töö).
• Masinõpe – põhikomponentanalüüs (PCA), juhuslike projektsioonide teooria, süvaõppe laiade kihtide omadused.
• Andmeteadus – suurte andmekogumite korrelatsioonimaatriksite analüüs (näiteks finantsvarade omavaheliste seoste uurimine).
• Traadita side – MIMO-süsteemid (mitu antenni) kasutavad juhuslike maatriksite teooriat signaali edastusvõime hindamiseks.

Seos Obsidianiga?

Obsidian (märkmeterakendus, mis põhineb lokaalsetel Markdown-failidel ja graafivaatel) ei ole otseselt seotud juhuslike maatriksite teooriaga. Kui aga soovid Obsidiani abil selle teooria kohta märkmeid teha või selle kontseptsioone visualiseerida, võid kasutada:

• Graafivaadet (graph view) – et kujutada maatriksite seoseid näiteks omavahel seotud mõistete võrgustikuna.
• LaTeX-võrrandid – matemaatiliste valemite (nt Wigneri seaduse) kirjutamiseks.
• Pluginad – nagu “Obsidian Math” või “Longform” (kui kirjutad pikemat artiklit).

Kokkuvõttes on juhuslike maatriksite teooria võimas matemaatiline tööriist, mis aitab mõista keerulisi süsteeme, kus osaleb palju juhuslikkust. Obsidiani pakutav struktureeritud märkmete süsteem võib omakorda aidata selliseid abstraktseid teemasid paremini korrastada ja visualiseerida.

---

Näited juhuslikest maatriksitest: Poissoni ja negatiivse binoomjaotuse põhjal

Allpool on toodud kaks lihtsat näidet, kus maatriksi iga element on sõltumatu juhuslik suurus vastavalt etteantud jaotusele. Näited on esitatud nii, et neid saaks hõlpsasti kasutada Obsidiani märkmetes (nt graafikuvaadete, linkide või päringute demonstreerimiseks).

1. Poissoni jaotuse juhuslik maatriks

Poissoni jaotus kirjeldab sündmuste arvu fikseeritud ajavahemikus, kui sündmused toimuvad keskmise sagedusega λ (lambda). Tõenäosusfunktsioon:

$$ P(X = k) = \frac{e^{-\lambda} \lambda^k}{k!}, \quad k = 0,1,2, \dots $$

Näide: 2×2 maatriks, kus iga element ~ Poisson(λ=3).

[ 2  5 ]
[ 3  1 ]

Siin on igas lahtris sõltumatult genereeritud väärtus, mis võib olla 0, 1, 2, … – kõige tõenäolisemad väärtused jäävad 2–4 ümber.

Obsidiani kontekst: Sellist maatriksit võiks kasutada näiteks sündmuste arvu modelleerimiseks ajateljel või seoste tugevuse hindamiseks graafi naabrusmaatriksis, kus λ määrab keskmise ühenduste arvu.

---

2. Negatiivse binoomjaotuse juhuslik maatriks

Negatiivne binoomjaotus modelleerib õnnestumiste arvu enne etteantud arvu ebaõnnestumisi (või vastupidi). Üks levinud parameetrite paar:

• r – ebaõnnestumiste arv, mille järel katse lõpetatakse
  
• p – õnnestumise tõenäosus igal katsel
  

Tõenäosusfunktsioon (õnnestumiste arv Y):

$$ P(Y = y) = \binom{y + r - 1}{y} p^y (1-p)^r, \quad y = 0,1,2,\dots $$

Näide: 2×2 maatriks, kus iga element ~ NB(r=2, p=0.5).

[ 1  3 ]
[ 4  0 ]

Siin on igas lahtris sõltumatu väärtus, mis esindab õnnestumiste arvu enne 2. ebaõnnestumist. Tulemused varieeruvad rohkem kui Poissoni puhul (hajuvus suurem).

Obsidiani teemad: Negatiivse binoomjaotuse maatriks sobib hästi näiteks linkide arvu modelleerimiseks kogukondades, kus esineb üleliigne hajuvus (overdispersion), või seoste tugevuse tsüklite simulatsioonides.

---

Kokkuvõte

Jaotus	Parameetrid	Näidismaatriks (2×2)
Poisson	λ = 3	[[2,5],[3,1]]
Negatiivne binoom	r = 2, p = 0.5	[[1,3],[4,0]]

Mõlemat maatriksit võib Obsidianis esitada koodiploki (matrix) või Markdowni tabelina ning neid saab omavahel linkida, kui simuleerida erinevaid stsenaariume.

Siin on kolm 3×3 maatriksi näidet, mis on seotud eelmises tabelis mainitud jaotustega. Iga näite juures on lahti seletatud, mida read, veerud ja üksikud elemendid transpordi kontekstis tähendavad.

---

1. Poissoni jaotus – sõidukite saabumised kolmes ristmikus

Maatriks (iga element ~ Poisson(λ=2)):

[ 1  3  0 ]
[ 2  2  4 ]
[ 0  1  3 ]

Tähendus:

• Read = erinevad ristmikud (Ristmik A, B, C).
• Veerud = erinevad kellaajad (nt 8:00, 9:00, 10:00 hommikul).
• Elemendid = sõidukite arv, mis saabuvad antud ristmikul antud tunnil.

Näiteks (1,1) = 1 tähendab, et ristmikul A kell 8:00 saabus 1 sõiduk. (2,3) = 4 tähendab, et ristmikul B kell 10:00 saabus 4 sõidukit. Kuna Poisson eeldab, et sündmused on sõltumatud ja harvad (λ=2 on väike), sobib see hästi vähese liiklusega maapiirkonna hommikutundide modelleerimiseks.

---

2. Negatiivne binoomjaotus – igapäevased sõidukite kogused kolmel linna magistraalil

Maatriks (iga element ~ NB(r=2, p=0.4)):

[ 5  2  8 ]
[ 3  7  4 ]
[ 6  1  9 ]

Tähendus:

• Read = kolm erinevat magistraali (Põhja, Lõuna, Ida).
• Veerud = kolm erinevat nädalapäeva (E, T, K).
• Elemendid = päeva jooksul loendatud sõidukite koguarv.

Negatiivne binoomjaotus lubab dispersiooni > keskmine – siin on näiteks väärtused 1…9, mis kõiguvad tugevamini kui Poissoni puhul. See peegeldab reaalsust, kus tööpäeviti on liiklus tihe, aga teatud päevadel võib olla üllatavalt hõre (nt riigipüha).

(3,2) = 1 näitab, et Ida magistraalil teisipäeval loendati vaid 1 sõiduk – erandlikult väike väärtus, mida Poisson halvasti kirjeldaks.

---

3. Lognormaaljaotus – reisiajad kolme linnaosa vahel

Maatriks (iga element ~ Lognormal(μ=1.5, σ=0.5)):

[ 0.0   4.2   6.7 ]
[ 4.5   0.0   5.3 ]
[ 7.1   5.0   0.0 ]

Tähendus:

• Read = lähtelinnaosad (Kesk linn, Põhja linn, Lõuna linn).
• Veerud = sihtlinnaosad.
• Elemendid = keskmine reisiaeg (minutites) lähtest sihtkohta.

Diagonaal on null (endasse reisimine pole arvestatud). Lognormaaljaotus on paremale kaldu, mis sobib reisiaegadele – enamik väärtusi on väikesed, aga esineb aeg-ajalt pikemaid sõite (nt 7.1 lõunast kesklinna tipptunnil).

(1,2) = 4.2 tähendab, et kesklinna osast Põhja linnaosa sõitmiseks kulub keskmiselt 4,2 minutit.

---

Kokkuvõtlik tabel

Jaotus	Maatriksi elemendi tähendus	Näidisväärtuste vahemik
Poisson (λ=2)	Sõidukite arv ristmikul tunnis	0…4
Negatiivne binoom (r=2, p=0.4)	Päevane sõidukite arv magistraalil	1…9
Lognormaal (μ=1.5, σ=0.5)	Reisiaeg (min) linnaosade vahel	0…7,1

Vaatame lähemalt Gamma- ja Weibull-põhistest maatriksitest, mille eesmärk on modelleerida sõidukitevahelisi ajavahesid. Need jaotused on eriti kasulikud liiklusvoogude analüüsis ja simulatsioonides, kus on vaja arvestada ajavahede varieeruvust ja mitte-negatiivsust.

Gamma-jaotus

Gamma-jaotus on paindlik kaheparameetriline jaotus (kuju- ja mastaabiparameeter), mis sobib hästi ajavahede modelleerimiseks, kui esineb:

• Mittesümmeetriline jaotus – ajavahed on sageli paremale kaldu (enamik lühikesi, mõned pikad).
• Erinevad liiklusolud – kujuparameeter võimaldab jaotuse kuju kohandada (nt tipptunnil on ajavahed lühemad, jaotus on kitsam; vabal ajal pikemad ja hajusamad).
• Matemaatiline mugavus – gammafunktsioon võimaldab lihtsat tõenäosus- ja jaotusfunktsiooni arvutust.

Näiteks võid kasutada gamma-maatriksit sõidukitevaheliste ajavahede jaoks järgmiselt: iga maatriksi element tähistab tõenäosust, et kahe sõiduki vaheline aeg jääb teatud vahemikku.

Weibull-jaotus

Weibull-jaotus on samuti kaheparameetriline (kuju ja skaala), kuid selle eripära on:

• Rikete analüüsi päritolu – sobib hästi, kui ajavahesid vaadeldakse kui "ooteaegu" (kuni järgmine sündmus).
• Kohandatav riskifunktsioon – kujuparameeter määrab, kas ajavahe tõenäosus aja jooksul suureneb (kuju>1, nt ummikus) või väheneb (kuju<1, nt vaba liiklus).
• Lihtne tõlgendus – Weibulli jaotuse parameetrid on sageli intuitiivsemad (nt skaala = iseloomulik ajavahemik).

Weibull-põhises maatriksis saad hõlpsalt simuleerida erinevaid liiklusstsenaariume, seades kujuparameetri vastavalt soovitud "tihenemisele".

Millal kumb valida?

• Gamma – kui on vaja täpset sobivust andmetega (seda on lihtsam hinnata suurte valimite puhul) ja mudel peaks sisaldama mitut allika varieeruvust.
• Weibull – kui eesmärk on modelleerida "ellujäämisfunktsiooni" või kui ajavahede jaotus on eriti pikaldane (pikk "saba").

Mõlemat saab integreerida ka Obsidiani märkmetesse, kasutades näiteks:

• Tabelite või Mermaid diagrammidega maatriksi visuaalseks esituseks.
• Dataview pluginaga andmete haldamiseks (nt salvestad maatriksi väärtused eraldi märkmetesse).
• Mathjax või LaTeX valemitega jaotuse parameetrite ja tõenäosusvõrrandite kirjeldamiseks.

Kui soovid, võin täpsustada, kuidas konkreetset maatriksit üles ehitada või millised Obsidiani tööriistad seda kõige paremini toetavad.

---

Seotud mõisted:

[[Statistika/Jaotused/Maatriks]], [[Poissoni jaotus]], [[Negatiivne binoomjaotus]], [[Lognormaaljaotus]], [[Gamma-jaotus]], [[Weibulli jaotus]]