Меню

Таблица плотности нормального распределения это



Нормальное распределение непрерывной случайной величины

Будут и задачи для самостоятельного решения, к которым можно посмотреть ответы.

Нормальное распределение: теоретические основы

Примерами случайных величин, распределённых по нормальному закону, являются рост человека, масса вылавливаемой рыбы одного вида. Нормальность распределения означает следующее: существуют значения роста человека, массы рыбы одного вида, которые на интуитивном уровне воспринимаются как «нормальные» (а по сути — усреднённые), и они-то в достаточно большой выборке встречаются гораздо чаще, чем отличающиеся в бОльшую или меньшую сторону.

гистограмма значений выборки, подчиняющейся нормальному закону распределения

Нормальное распределение вероятностей непрерывной случайной величины (иногда — распределение Гаусса) можно назвать колоколообразным из-за того, что симметричная относительно среднего функция плотности этого распределения очень похожа на разрез колокола (красная кривая на рисунке выше).

Вероятность встретить в выборке те или иные значение равна площади фигуры под кривой и в случае нормального распределения мы видим, что под верхом «колокола», которому соответствуют значения, стремящиеся к среднему, площадь, а значит, вероятность, больше, чем под краями. Таким образом, получаем то же, что уже сказано: вероятность встретить человека «нормального» роста, поймать рыбу «нормальной» массы выше, чем для значений, отличающихся в бОльшую или меньшую сторону. В очень многих случаях практики ошибки измерения распределяются по закону, близкому к нормальному.

Остановимся ещё раз на рисунке в начале урока, на котором представлена функция плотности нормального распределения. График этой функции получен при рассчёте некоторой выборки данных в пакете программных средств STATISTICA. На ней столбцы гистограммы представляют собой интервалы значений выборки, распределение которых близко (или, как принято говорить в статистике, незначимо отличаются от) к собственно графику функции плотности нормального распределения, который представляет собой кривую красного цвета. На графике видно, что эта кривая действительно колоколообразная.

Нормальное распределение во многом ценно благодаря тому, что зная только математическое ожидание непрерывной случайной величины и стандартное отклонение, можно вычислить любую вероятность, связанную с этой величиной.

Нормальное распределение имеет ещё и то преимущество, что один из наиболее простых в использовании статистических критериев, используемых для проверки статистических гипотез — критерий Стьюдента — может быть использован только в том случае, когда данные выборки подчиняются нормальному закону распределения.

Функцию плотности нормального распределения непрерывной случайной величины можно найти по формуле:

где x — значение изменяющейся величины, — среднее значение, — стандартное отклонение, e=2,71828. — основание натурального логарифма, =3,1416.

Свойства функции плотности нормального распределения

  • для всех значений аргумента функция плотности положительна;
  • если аргумент стремится к бесконечности, то функция плотности стреится к нулю;
  • функция плотности симметрична относительно среднего значения: ;
  • наибольшее значение функции плотности — у среднего значения: ;
  • кривая функции плотности выпукла в интервале и вогнута на остальной части;
  • мода и медиана нормального распределения совпадает со средним значением;
  • при нормальном распределении коэффициенты ассиметрии и эксцесса равны нулю (подробнее рассмотрим это свойство в следующем параграфе о приближенном методе проверки нормальности распределения).

Изменения среднего значения перемещают кривую функции плотности нормального распределения в направлении оси Ox. Если возрастает, кривая перемещается вправо, если уменьшается, то влево.

Если меняется стандартное отклонение, то меняется высота вершины кривой. При увеличении стандартного отклонения вершина кривой находится выше, при уменьшении — ниже.

Вероятность попадания значения нормально распределённой случайной величины в заданный интервал

Уже в этом параграфе начнём решать практические задачи, смысл которых обозначен в заголовке. Разберём, какие возможности для решения задач предоставляет теория. Отправное понятие для вычисления вероятности попадания нормально распределённой случайной величины в заданный интервал — интегральная функция нормального распределения.

Интегральная функция нормального распределения:

Однако проблематично получить таблицы для каждой возможной комбинации среднего и стандартного отклонения. Поэтому одним из простых способов вычисления вероятности попадания нормально распределённой случайной величины в заданный интервал является использование таблиц вероятностей для стандартизированного нормального распределения.

Стандартизованным или нормированным называется нормальное распределение, среднее значение которого , а стандартное отклонение .

Функция плотности стандартизованного нормального распределения:

Интегральная функция стандартизованного нормального распределения:

На рисунке ниже представлена интегральная функция стандартизованного нормального распределения, график которой получен при рассчёте некоторой выборки данных в пакете программных средств STATISTICA. Собственно график представляет собой кривую красного цвета, а значения выборки приближаются к нему.

интегральная функция стандартизированного нормального распределения

Для увеличения рисунка можно щёлкнуть по нему левой кнопкой мыши.

Стандартизация случайной величины означает переход от первоначальных единиц, используемых в задании, к стандартизованным единицам. Стандартизация выполняется по формуле

На практике все возможные значения случайной величины часто не известны, поэтому значения среднего и стандартного отклонения точно определить нельзя. Их заменяют средним арифметическим наблюдений и стандартным отклонением s. Величина z выражает отклонения значений случайной величины от среднего арифметического при измерении стандартных отклонений.

Открытый интервал

Таблица вероятностей для стандартизированного нормального распределения, которая есть практически в любой книге по статистике, содержит вероятности того, что имеющая стандартное нормальное распределение случайная величина Z примет значение меньше некоторого числа z. То есть попадёт в открытый интервал от минус бесконечности до z. Например, вероятность того, что величина Z меньше 1,5, равна 0,93319.

Пример 1. Предприятие производит детали, срок службы которых нормально распределён со средним значением 1000 и стандартным отклонением 200 часов.

Для случайно отобранной детали вычислить вероятность того, что её срок службы будет не менее 900 часов.

Решение. Введём первое обозначение:

Значения случайной величины находятся в открытом интервале. Но мы умеем вычислять вероятность того, что случайная величина примет значение, меньшее заданного, а по условию задачи требуется найти равное или большее заданного. Это другая часть пространства под кривой плотности нормального распределения (колокола). Поэтому, чтобы найти искомую вероятность, нужно из единицы вычесть упомянутую вероятность того, что случайная величина примет значение, меньше заданного 900:

Теперь случайную величину нужно стандартизировать.

Продолжаем вводить обозначения:

x = 900 — заданное значение случайной величины;

μ = 1000 — среднее значение;

σ = 200 — стандартное отклонение.

По этим данным условия задачи получаем:

По таблицам стандартизированной случайной величине (границе интервала) z = −0,5 соответствует вероятность 0,30854. Вычтем ее из единицы и получим то, что требуется в условии задачи:

Итак, вероятность того, что срок службы детали будет не менее 900 часов, составляет 69%.

Эту вероятность можно получить, используя функцию MS Excel НОРМ.РАСП (значение интегральной величины — 1):

P(X≥900) = 1 — P(X≤900) = 1 — НОРМ.РАСП(900; 1000; 200; 1) = 1 — 0,3085 = 0,6915.

О расчётах в MS Excel — в одном из последующих параграфах этого урока.

Пример 2. В некотором городе среднегодовой доход семьи является нормально распределённой случайной величиной со средним значением 300000 и стандартным отклонением 50000. Известно, что доходы 40 % семей меньше величины A. Найти величину A.

Решение. В этой задаче 40 % — ни что иное, как вероятность того, что случайная величина примет значение из открытого интервала, меньшее определённого значения, обозначенного буквой A.

Чтобы найти величину A, сначала составим интегральную функцию:

По условию задачи

μ = 300000 — среднее значение;

σ = 50000 — стандартное отклонение;

x = A — величина, которую нужно найти.

По статистическим таблицам находим, что вероятность 0,40 соответствует значению границы интервала z = −0,25 .

Поэтому составляем равенство

и находим его решение:

Ответ: доходы 40 % семей менее 287300.

Закрытый интервал

Во многих задачах требуется найти вероятность того, что нормально распределённая случайная величина примет значение в интервале от z 1 до z 2 . То есть попадёт в закрытый интервал. Для решения таких задач необходимо найти в таблице вероятности, соответствующие границам интервала, а затем найти разность этих вероятностей. При этом требуется вычитать меньшее значение из большего. Примеры на решения этих распространённых задач — следующие, причём решить их предлагается самостоятельно, а затем можно посмотреть правильные решения и ответы.

Пример 3. Прибыль предприятия за некоторый период — случайная величина, подчинённая нормальному закону распределения со средним значением 0,5 млн. у.е. и стандартным отклонением 0,354. Определить с точностью до двух знаков после запятой вероятность того, что прибыль предприятия составит от 0,4 до 0,6 у.е.

Пример 4. Длина изготавливаемой детали представляет собой случайную величину, распределённую по нормальному закону с параметрами μ=10 и σ=0,071 . Найти с точностью до двух знаков после запятой вероятность брака, если допустимые размеры детали должны быть 10±0,05 .

Подсказка: в этой задаче помимо нахождения вероятности попадания случайной величины в закрытый интервал (вероятность получения небракованной детали) требуется выполнить ещё одно действие.

позволяет определить вероятность того, что стандартизованное значение Z не меньше -z и не больше +z, где z — произвольно выбранное значение стандартизованной случайной величины.

Приближенный метод проверки нормальности распределения

Приближенный метод проверки нормальности распределения значений выборки основан на следующем свойстве нормального распределения: коэффициент асимметрии β 1 и коэффициент эксцесса β 2 равны нулю.

Коэффициент асимметрии β 1 численно характеризует симметрию эмпирического распределения относительно среднего. Если коэффициент асимметрии равен нулю, то среднее арифметрического значение, медиана и мода равны: и кривая плотности распределения симметрична относительно среднего. Если коэффициент асимметрии меньше нуля ( β 1 ), то среднее арифметическое меньше медианы, а медиана, в свою очередь, меньше моды ( ) и кривая сдвинута вправо (по сравнению с нормальным распределением). Если коэффициент асимметрии больше нуля ( β 1 > 0 ), то среднее арифметическое больше медианы, а медиана, в свою очередь, больше моды ( ) и кривая сдвинута влево (по сравнению с нормальным распределением).

Коэффициент эксцесса β 2 характеризует концентрацию эмпирического распределения вокруг арифметического среднего в направлении оси Oy и степень островершинности кривой плотности распределения. Если коэффициент эксцесса больше нуля, то кривая более вытянута (по сравнению с нормальным распределением) вдоль оси Oy (график более островершинный). Если коэффициент эксцесса меньше нуля, то кривая более сплющена (по сравнению с нормальным распределением) вдоль оси Oy (график более туповершинный).

Коэффициент асимметрии можно вычислить с помощью функции MS Excel СКОС. Если вы проверяете один массив данных, то требуется ввести диапазон данных в одно окошко «Число».

окно функции MS Excel СКОС для вычисления коэффициента асимметрии при приближенном методе проверки нормальности распределения

Коэффициент эксцесса можно вычислить с помощью функции MS Excel ЭКСЦЕСС. При проверке одного массива данных также достаточно ввести диапазон данных в одно окошко «Число».

окно функции MS Excel ЭКСЦЕСС для вычисления коэффициента эксцесса при приближенном методе проверки нормальности распределения

Итак, как мы уже знаем, при нормальном распределении коэффициенты асимметрии и эксцесса равны нулю. Но что, если мы получили коэффициенты асимметрии, равные -0,14, 0,22, 0,43, а коэффициенты эксцесса, равные 0,17, -0,31, 0,55? Вопрос вполне справедливый, так как практически мы имеем дело лишь с приближенными, выборочными значениями асимметрии и эксцесса, которые подвержены некоторому неизбежному, неконтролируемому разбросу. Поэтому нельзя требовать строгого равенства этих коэффициентов нулю, они должны лишь быть достаточно близкими к нулю. Но что значит — достаточно?

Читайте также:  Шины и диски для Шевроле Лачетти

Требуется сравнить полученные эмпирические значения с допустимыми значениями. Для этого нужно проверить следующие неравенства (сравнить значения коэффициентов по модулю с критическими значениями — границами области проверки гипотезы).

Для коэффициента асимметрии β 1 :

— квантиль стандартного нормального распределения уровня ,

— среднеквадратическое отклонение для выборки с числом наблюдений n .

Для коэффициента эксцесса β 2 :

— квантиль стандартного нормального распределения уровня ,

— среднеквадратическое отклонение для выборки с числом наблюдений n .

Так как коэффициенты асимметрии и эксцесса могут оказаться и положительными, и отрицательными, то в приближенном методе проверки нормальности распределения используется двусторонний квантиль стандартного нормального распределения; он задаёт интервал, в который случайная величина попадает с определённой вероятностью. Приведём значения двусторонних квантилей стандартного нормального распределения определённых уровней (слева — уровень, справа — значение квантиля):

  • 0,90: 1,645
  • 0,95: 1,960
  • 0,975: 2,241
  • 0,98: 2,326
  • 0,99: 2,576
  • 0,995: 2,807
  • 0,999: 3,291
  • 0,9995: 3,481
  • 0,9999: 3,891

Например, для выборки с числом наблюдений n = 50 и α = 0,05 , пользуясь этими значениями и ранее приведёнными формулами, можно получить границу области принятия гипотезы для коэффициента асимметрии 0,62 и для коэффициента эксцесса 1,15. Поэтому приведённые ранее примеры эмпирических значений коэффициента асимметрии -0,14, 0,22, 0,43 попадают в область принятия гипотезы. То же самое относится к значениям коэффициента эксцесса 0,17, -0,31, 0,55. Следовательно, если получены такие эмпирические значения, то с вероятностью 95% данные выборки подчиняются нормальному закону распределения.

Нормальное распределение и расчёты в MS Excel

Значения функции плотности f(x) и интегральной функции F(x) нормального распределения можно вычислить при помощи функции MS Excel НОРМ.РАСП. Окно для соответствующего расчёта показано ниже (для увеличения нажать левой кнопкой мыши).

окно ms excel для расчёта нормального распределения

MS Excel требует ввести следующие данные:

  • x — значение изменяющегося признака;
  • среднее значение;
  • стандартное отклонение;
  • интегральная — логическое значение: 0 — если нужно вычислить функцию плотности f(x) и 1 — если вероятность F(x).

Решим ещё задачи на нормальное распределение

Решить задачу самостоятельно, а затем посмотреть решение

Пример 5. Определить с точностью до двух знаков после запятой вероятность попадания при стрельбе в полосу шириной 3,5 м, если ошибки стрельбы подчиняются нормальному закону распределения со средним значением 0 и σ = 1,9 .

Решим ещё одну задачу вместе

Пример 6. О случайной величине X известно, что она нормально распределена, а вероятности того, что она составит 10 или меньше и больше 25, соответственно и . Найти среднее значение (математическое ожидание) случайной величины и её дисперсию.

Решение. Используем данные в условии задачи вероятности:

Пользуясь статистическими таблицами, находим:

Источник

CFA — Нормальное распределение вероятностей

Нормальное распределение — это наиболее часто используемое распределение вероятностей в количественной финансовой практике. Оно играет ключевую роль в современной портфельной теории и ряде технологий управления рисками. Рассмотрим эту концепцию в рамках изучения количественных методов по программе CFA.

Поскольку нормальное распределение вероятностей имеет так много применений, профессионалы в области финансов и инвестиций должны тщательно его изучить.

Роль нормального распределения в статистических выводах и регрессионном анализе значительно расширена благодаря центральной предельной теореме. Центральная предельная теорема (англ. ‘central limit theorem’) утверждает, что сумма (и среднее) большого числа независимых случайных величин приблизительно нормально распределена.

Французский математик Абрахам Де Муавр (Abraham de Moivre, 1667-1754) ввел понятие нормального распределения в 1733 году при разработке своей версии центральной предельной теоремы.

Как показано на Рисунке 5, нормальное распределение является симметричным и имеет колоколообразную форму.

Диапазоном возможных исходов нормального распределения является вся вещественная ось: все действительные числа, лежащих между \(-\infty\) и \(+\infty\). Хвосты колоколообразной кривой распространяются без ограничений слева и справа.

Определяющими характеристиками нормального распределения являются:

Нормальное распределение полностью описывается двумя параметрами — ее средним значением, \( \mu \), и дисперсией, \( \sigma^2 \). Обозначим это как \( X \sim N (\mu, \sigma^2) \) (читается «X имеет нормальное распределение со средним \(p\) и дисперсией \(\sigma^2\)» ).

Мы также можем определить нормальное распределение с точки зрения среднего и стандартного отклонения, \( \sigma \) (часто это удобно, так как \( \sigma \) измеряется в тех же единицах, что и \(X\) и \(\mu\)). Как следствие, мы можем ответить на любой вопрос о вероятности нормальной случайной величины, если мы знаем его среднее значение и дисперсию (или стандартное отклонение).

Нормальное распределение имеет асимметрию 0 (симметрично). Нормальное распределение имеет эксцесс (мера крутизны или островершинности распределения) 3; его избыточный эксцесс (эксцесс — 3.0) равен 0.

Если мы имеем выборку размера \(n\) из нормального распределения, мы хотим знать о возможном изменении в асимметрии и эксцессе выборки. Для нормальной случайной величины, стандартное отклонение ассиметрии выборки равно \(6/n\), стандартное отклонение эксцесса выборки равно \( 24/n \).

Как следствие симметрии, среднее, ​​медиана и мода равны для нормальной случайной величины.

Линейная комбинация двух или более нормальных случайных величин также распределена нормально.

Перечисленное выше касается только одной переменной величины или одномерного нормального распределения: распределения одной нормальной случайной величины. Одномерное распределение (англ. ‘univariate distribution’) описывает одну случайную величину.

Многомерное распределение (англ. ‘multivariate distribution’) определяет вероятности для группы связанных случайных величин. Вы столкнетесь с многомерным нормальным распределением (англ. ‘multivariate normal distribution’) в инвестиционной деятельности и должны знать о нем следующее.

Когда мы имеем группу финансовых активов, мы можем моделировать распределение доходности для каждого актива в отдельности, или распределение доходности для активов как для группы. «Как для группы» означает, что мы принимаем во внимание всех статистических взаимосвязей между доходностью активов.

Одна из моделей, которая часто используется для оценки доходности ценных бумаг, является многомерным нормальным распределением. Многомерное нормальное распределение для доходности ценных бумаг полностью определяется этими тремя списками параметров:

  • списком средних ставок доходности по отдельным ценным бумагам (всего \(n\) средних всего);
  • списком дисперсий доходности ценных бумаг (всего \(n\) дисперсий); а также
  • списком всех отчетливых попарных корреляций доходности (всего \(n (n — 1) / 2\) различных корреляций).

Например, распределение для двух акций (двумерное нормальное распределение) имеет 2 средние, 2 дисперсии и 1 корреляцию: \( 2 (2 — 1) / 2\).

Распределение для 30 акций имеет 30 средних, 30 дисперсий и 435 различных корреляций: \(30(30 — 1)/2 \).

Корреляция доходности акций Dow Chemical с акциями American Express такая же, как корреляция American Express с Dow Chemical, поэтому они считаются одной отчетливой корреляцией.

Необходимость в указании корреляций является отличительной чертой многомерного нормального распределения в отличии от одномерного нормального распределения.

Формулировка «предположим, что ставки доходности нормально распределены» или «предположим, что ставки доходности соответствуют нормальному распределению» иногда используется для обозначения совместного нормального распределения для нескольких ценных бумаг.

Для портфеля из 30 ценных бумаг, например, доходность портфеля представляет собой средневзвешенное значение доходности 30 ценных бумаг. Средневзвешенное значение представляет собой линейную комбинацию. Таким образом, портфель доходности нормально распределен, если доходность отдельных ценных бумаг (совместно) нормально распределена.

Напомним, что для того, чтобы указать нормальное распределение доходности портфеля, нам нужны средние значения, дисперсии, и отчетливые парные корреляции ценных бумаг портфеля.

Имея все это в виду, мы можем вернуться к нормальному распределению для одной случайной величины. Кривые на графике Рисунка 5, являются функцией плотности нормального распределения:

Доходность опционов ассиметрична. Поскольку нормальное распределение является симметричным распределением, мы должны быть осторожными в его использовании для моделирования доходности портфелей, содержащих значительные позиции по опционам.

Нормальное распределение, однако, менее подходит в качестве модели для цен на активы, чем в качестве модели для доходности активов. Нормальная случайная величина не имеет нижнего предела. Эта характеристика имеет несколько последствий для применения нормальных распределений в инвестициях. Цена актива может упасть только до 0 и в этот момент финансовый актив становится бесполезным.

В результате, на практике, финансовые аналитики, как правило, не используют нормальное распределение для моделирования распределения цен на активы. Также обратите внимание, что переход от цены актива любого уровня до 0 означает доходность -100%. Поскольку нормальное распределение распространяется ниже 0 без ограничений, оно не может быть полностью точной моделью для доходности активов.

Установив, что нормальное распределение является подходящей моделью для интересующей нас случайной величины, мы можем использовать его, чтобы сделать следующие вероятностные утверждения:

  • Приблизительно 50% всех наблюдений попадают в интервал \( \mu \pm (2/3) \sigma \).
  • Приблизительно 68% всех наблюдений попадают в интервал \( \mu \pm \sigma \).
  • Приблизительно 95% всех наблюдений попадают в интервал \( \mu \pm 2 \sigma \).
  • Приблизительно 99% всех наблюдений попадают в интервал \( \mu \pm 3 \sigma \).

Интервалы в один, два и три стандартных отклонения показаны на Рисунке 6. Эти доверительные интервалы легко запомнить, но они лишь приблизительные для указанных вероятностей. Более точные интервалы составляют \( \mu \pm 1.96\sigma \) для 95% наблюдений и \( \mu \pm 2.58\sigma \) для 99% наблюдений.

В целом, мы не наблюдаем среднее или стандартное отклонение генеральной совокупности распределения, поэтому нам нужно оценить их.

Генеральная совокупность — это все элементы указанной группы, и математическое ожидание представляет собой среднее арифметическое, рассчитанное для совокупности.

Выборка представляет собой подмножество генеральной совокупности, и выборочное среднее представляет собой среднее арифметическое для выборки.

Для получения более подробной информации об этих понятиях см. чтение о статистических концепциях и рыночной доходности.

Мы вычисляем среднее совокупности, \(\mu\), используя выборочное среднее, \( \overline X \) (иногда обозначаемое как \( \hat <\mu>\) ) и вычисляем стандартное отклонение, \(\sigma \), используя стандартное отклонение выборки, \( s \) (иногда обозначаемое как \( \hat <\sigma>\) ).

Существует столь же много различных нормальных распределений, сколько средних (\(\mu\)) и дисперсий ( \(\sigma^2 \)). Мы можем ответить на все поставленные выше вопросы с точки зрения любого нормального распределения. Электронные таблицы, например, имеют функции для расчета нормальной кумулятивной функции распределения с любыми спецификациями среднего и дисперсии.

Ради эффективности, однако, мы хотели бы свести все вероятностные утверждения к одному нормальному распределению. Стандартное нормальное распределение (нормальное распределение с \( \mu = 0 \) и \( \sigma = 1 \) ) как раз и выполняет эту роль.

Читайте также:  Город Санкт Петербург город федерального значения сколько населения в 1991 2020 году

Есть два шага в стандартизации случайной величины \( X \): вычесть среднее \( X \) из \( X \), а затем разделить результат на стандартное отклонение \( X \). Если у нас есть список наблюдений для нормальной случайной величины \( X \), мы вычитаем среднее из каждого наблюдения, чтобы получить список отклонений от среднего значения, а затем разделить каждое отклонение на стандартное отклонение.

Результатом является стандартная нормальная случайная величина, \( Z \) (символ \(Z \) используется по соглашению в качестве символа для стандартной нормальной случайной величины).

Если мы имеем выражение \( X \sim N(\mu, \sigma^2) \) (читается «X следует нормальному распределению с параметрами \( \mu \) и \( \sigma^2 \)» ), мы стандартизируем его, используя формулу:

Предположим, что мы имеем нормальную случайную величину, \( X \), при \( \mu = 5 \) и \( \sigma = 1.5 \). Мы стандартизируем X с помощью выражения: \( Z = (Х — 5) /1.5 \). Например, значение \( Х = 9.5 \) соответствует стандартизованному значению 3, рассчитанному как \( Z = (9.5 — 5)/1.5 = 3 \).

Вероятность того, что мы будем наблюдать значение, не превышающее 9.5 для \( X \sim N(5,1.5) \) точно такая же, как вероятность того, что мы будем наблюдать значение, не превышающее 3 для \( Z \sim N(0.1) \).

Мы можем ответить на все вопросы о вероятности \( X \), используя стандартные значения и вероятностные таблицы для Z. Как правило, мы не знаем среднее и стандартное отклонения генеральной совокупности, поэтому мы часто используем выборочное среднее \( \overline X \) для \( \mu \) и стандартное отклонение выборки \( s \) для \( \sigma \).

Стандартные нормальные вероятности также можно вычислить с помощью электронных таблиц, статистического и эконометрического программного обеспечения и языков программирования.

В Таблице 5 приведены выдержки из таблиц кумулятивной функции распределения для стандартной нормальной случайной величины. По соглашению \( N(x) \) обозначает кумулятивную функцию распределения (cdf) для стандартной нормальной случайной величины.

Другим часто использующимся обозначением cdf стандартной нормальной случайной величины является \( \Phi (х) \).

Источник

Таблица плотности нормального распределения это

Закономерность распределения случайной величины (или случайной ошибки измерения), если распределение этой величины описывается нормальным законом распределения, достаточно хорошо изучена. Плотность вероятности нормального распределения определяют по формуле

φ(x) = [(1/σ)√2π]*e -( xi – μ )( xi – μ )/(2σ*σ) .

Часто вместо переменной xi используют нормированную переменную u, получаемую, используя следующее преобразование

Это очень полезное преобразование, называемое стандартизацией. В результате стандартизации среднее становится равным нулю, а стандартное отклонение равным 1. В результате такого преобразования все значения переменной измеряются в единицах стандартного отклонения от -3 до +3, со средним равным 0. В результате стандартизации переменные, первоначально измеренные в каких-либо единицах измерения, таких как кг, футы, см, проценты и другие переходят во внутреннюю систему координат с нулевым средним и становятся безразмерными, при этом сохранив соотношение между цифрами, как до преобразования. Стандартизация позволяет вместе анализировать переменные, измеренные в разных единицах измерения. После подстановки в формулу Гаусса мы получаем формулу плотности вероятности более простого вида

φ(x) = [1/ √2π]*e -( u * u )/2 .

Плотности вероятности стандартного нормального распределения известны и давно рассчитаны, изданы таблицы, которые можно найти в любом учебнике по статистике и теории вероятности, в которых площади под кривой распределения прямо выражаются через вероятности.

Лекция 7

Рассмотрим пример.

На эксплуатационном блоке полиметаллического месторождения были отобраны пробы и получены данные, содержащиеся в таблице.

Данные были получены следующим образом. При подготовке блока к эксплуатации было пробурено 96 вертикальных скважин по квадратной сети 3.5 метра на 3.5 метра. Каждая скважина была опробована по интервалам (длина интервала -1 метр). Большое число равномерно расположенных в блоке проб позволило определить среднее содержание металла в блоке с большой точностью. Блок был разделен на 24 участка, в каждом из которых, оказалось, по 12 проб (4 скважины на 1 участок, 1 скважина содержит по 3 пробы). Общее количество проб равно 288 (24*12 = 288).

Содержание (%) Частота Относительная частота (частость)
0 – 0.5 0.205
0.5 -1 0.389
1 -1.5 0.202
1.5 – 2 0.062
2 – 2.5 0.042
2.5 – 3 0.028
3 – 3.5 0.017
3.5 – 4 0.017
4 – 4.5 0.007
4.5 – 5 0.004
5 – 5.5 0.007
Всего: 1.00

На рисунке приведено распределение содержания металла в 288 пробах.

Как видно на рисунке распределение носит асимметричный характер и явно не подчиняется нормальному закону.

Рис. Гистограмма распределения полезного компонента в эксплуатационном блоке.

Затем было произведено 180 выборок из имеющихся анализов проб. В каждую выборку были случайным образом отобраны из каждого участка по одной пробе. Случайность отбора проб по участкам достигалась при помощи выбора свернутого листка с номером пробы из урны из общего количества свернутых листочков, равного количеству проб на участке. Для каждой выборки рассчитывалось среднее содержание металла, то есть в результате были получены 180 выборочных средних значений. Распределение выборочных средних значений по эксплуатационному блоку приведено в таблице и на рисунке.

Содержание (выборочное среднее) Частота Относительная частота (Частость)
0.7 – 0.8 0.017
0.8 – 0.9 0.072
0.9 – 1.0 0.167
1.0 – 1.1 0.222
1.1 – 1.2 0.228
1.2 – 1.3 0.172
1.3 – 1.4 0.089
1.4 – 1.5 0.028
1.5 – 1.6 0.005
Всего 1.0

Рис. Распределение выборочного среднего значения по блоку.

Кривая распределения выборочного среднего значения похожа на колокол, причем среднеарифметическое всех выборочных средних значений равно 1.1, что соответствует среднему содержанию металла в блоке, которое как было уже указано выше, определено с большой точностью. Как видно из рисунка распределение выборочных средних значений соответствует или близко к нормальному распределению, хотя распределение просто полезного компонента имеет ярко выраженный асимметричный характер. Используя данные последней таблицы можно вычислить вероятность взятия пробы с некоторым содержанием или плотность вероятности, то есть вычислить вероятность взятия образца определенного класса. По данным второй таблицы вычисляем среднее и стандартное отклонение выборочных средних значений (χ = 1.11, а S = 0.159), а после для нижних границ по каждому интервалу вычисляем параметр u и получаем стандартизированные данные, у которых среднее арифметическое равно 0, а стандартное отклонение равно 1.

Далее берем таблицы вероятности нормального распределения и для u1 находим по таблице φ(x), в этом случае φ(x) = 0.026. Это также означает, что площадь части совокупности под кривой распределения, если смотреть по абсциссе, от минус бесконечности до значения u (u=-1.95), равна 0.026. Также вычисляем вероятности для класса, например для класса 0.8 – 0.9.

φ(0.8 0.9) = φ(u=-1.32) — φ(u=-1.95) = 0.093 – 0.026 = 0.067

То есть мы можем сказать, что с вероятностью 6.7% мы можем взять на месторождении пробу с содержанием от 0.8% до 0.9% данного металла.

Тот же самый результат мы получим, если расчеты будем делать не по таблице, а по формуле

φ(x) = [1/ √2π]*e -( u * u )/2 .

Если мы, используя формулу или таблицу вероятностей нормального распределения, рассчитаем вероятности для всех значений u, то увидим, что они близки к частостям последней таблицы по классам, из чего можно сделать вывод, что распределение наших эмпирических данных соответствует нормальному распределению.

Обычно мы не знаем, из какой совокупности мы берем выборку, но очень часто подозреваем, что изучаемая совокупность явно значительно отличается от нормальной совокупности. Эти подозрения обычно обусловлены сильно выраженными геологическими процессами, проявившимися на конкретном месторождении. Нужно отметить, все случайные величины, которые мы получаем в результате измерений, делятся на стохастические и детерминированные величины.

Стохастические случайные величины изучаемых признаков характерны для обычных спокойных, длительных во времени геологических и геохимических процессов. Обычно распределение стохастических величин подчиняется нормальному закону распределения.

Детерминированные величины возникают в результате определенных направленных процессов в земной коре, например приводящих к аномально высоким концентрациям химических элементов на локальных участках, которые потом нередко определяются геологами как промышленные скопления полезных компонентов. Теоретически детерминированные изменения природных объектов могут быть описаны средствами точных наук — физики, химии и математики, но практически тектонические и геохимические процессы в большей части очень сложны для понимания и описываются геологами на уровне гипотез. В большей части случаев стохастические, и детерминированные величины перемешаны между собой. Распределение этих перемешанных величин может подчиняться нормальному закону распределения, но больше всего распределения этих величин имеют ярко выраженный асимметричный характер.

Согласно классификации Пирсона можно выделить три типа данных, которые имеют три соответствующих типа распределений. К первому типу относятся данные, имеющие симметричное нормальное распределение, ко второму типу относятся данные, которые после математических преобразований будут иметь нормальное распределение и к третьему типу относятся данные, которые при любых преобразованиях не будут иметь нормальное распределение.

Дата добавления: 2019-04-03 ; просмотров: 188 ; ЗАКАЗАТЬ НАПИСАНИЕ РАБОТЫ

Источник

Talkin go money

Т-критерий Стьюдента за 12 минут. Биостатистика. (Июль 2021).

Таблица нормального распределения, Объяснение - 2021 - Talkin go money

Table of Contents:

Формула нормального распределения основана на двух простых параметрах — среднем и стандартном отклонениях, которые определяют количественно характеристики данного набора данных. В то время как среднее означает «центральное» или среднее значение всего набора данных, стандартное отклонение указывает «разброс» или изменение точек данных вокруг этого среднего значения.

Рассмотрим следующие 2 набора данных:

Для набора данных 1, среднее значение = 10 и стандартное отклонение (stddev) = 0

Для Dataset2 среднее значение = 10 и стандартное отклонение (stddev) = 2. 83

Давайте нарисуем эти значения для DataSet1:

Аналогично для DataSet2:

Красная горизонтальная линия на обоих приведенных выше графиках указывает «среднее» или среднее значение каждого набора данных (в обоих случаях — 10). Розовые стрелки на втором графике показывают разброс или изменение значений данных из среднего значения. Это представлено стандартным значением отклонения 2. 83 в случае DataSet2. Поскольку DataSet1 имеет все значения одинаковые (по 10 каждый) и никаких изменений, значение stddev равно нулю, и, следовательно, не применяются розовые стрелки.

Значение stddev имеет несколько существенных и полезных характеристик, которые чрезвычайно полезны при анализе данных. Для нормального распределения значения данных симметрично распределены по обе стороны от среднего значения. Для любого нормально распределенного набора данных, график графика с stddev по горизонтальной оси и нет. значений данных по вертикальной оси, получается следующий график.

Читайте также:  Критерии классификации документов таблица

Свойства нормального распределения

  1. Нормальная кривая симметрична относительно среднего;
  2. Среднее значение находится в середине и делит область на две половины;
  3. Общая площадь под кривой равна 1 для среднего = 0 и stdev = 1;
  4. Распределение полностью описывается его средним значением и stddev

Как видно из приведенного выше графика, stddev представляет следующее:

  • 68. 3% значений данных находятся в пределах 1 стандартного отклонения от среднего (от -1 до +1)
  • 95. 4% значений данных находятся в пределах 2 стандартных отклонения от среднего (от -2 до +2)
  • 99. 7% значений данных находятся в пределах 3 стандартных отклонения от среднего (от -3 до +3)

Площадь под кривой колоколообразной кривой при измерении указывает на желаемую вероятность данного диапазон:

  • меньше, чем X: — e. г. вероятность значений данных меньше 70
  • больше X — e. г. вероятность значений данных больше 95
  • между X 1 и X 2 e. г. вероятность значений данных между 65 и 85

, где X представляет интересную ценность (примеры ниже).

Построение и вычисление области не всегда удобно, так как разные наборы данных будут иметь разные значения среднего и stddev.Чтобы облегчить единый стандартный метод для простых вычислений и применимости к реальным проблемам, было введено стандартное преобразование в значения Z, которые составляют часть таблицы Normal Distribution Table .

Z = (X — среднее) / stddev, где X — случайная величина.

В основном это преобразование заставляет среднее и stddev стандартизоваться на 0 и 1 соответственно, что позволяет использовать стандартный набор Z-значений (из Normal Distribution Table ), который будет использоваться для легких вычислений , Захват стандартной таблицы значений z, содержащей значения вероятности, выглядит следующим образом:

Источник

Нормальное распределение (Гаусса) в Excel

В статье подробно показано, что такое нормальный закон распределения случайной величины и как им пользоваться при решении практически задач.

Нормальное распределение в статистике

История закона насчитывает 300 лет. Первым открывателем стал Абрахам де Муавр, который придумал аппроксимацию биномиального распределения еще 1733 году. Через много лет Карл Фридрих Гаусс (1809 г.) и Пьер-Симон Лаплас (1812 г.) вывели математические функции.

Лаплас также обнаружил замечательную закономерность и сформулировал центральную предельную теорему (ЦПТ), согласно которой сумма большого количества малых и независимых величин имеет нормальное распределение.

Нормальный закон не является фиксированным уравнением зависимости одной переменной от другой. Фиксируется только характер этой зависимости. Конкретная форма распределения задается специальными параметрами. Например, у = аx + b – это уравнение прямой. Однако где конкретно она проходит и под каким наклоном, определяется параметрами а и b. Также и с нормальным распределением. Ясно, что это функция, которая описывает тенденцию высокой концентрации значений около центра, но ее точная форма задается специальными параметрами.

Кривая нормального распределения Гаусса имеет следующий вид.

График плотности нормального распределения

График нормального распределения напоминает колокол, поэтому можно встретить название колоколообразная кривая. У графика имеется «горб» в середине и резкое снижение плотности по краям. В этом заключается суть нормального распределения. Вероятность того, что случайная величина окажется около центра гораздо выше, чем то, что она сильно отклонится от середины.

Различные вероятности у нормально распределенных данных

На рисунке выше изображены два участка под кривой Гаусса: синий и зеленый. Основания, т.е. интервалы, у обоих участков равны. Но заметно отличаются высоты. Синий участок удален от центра, и имеет существенно меньшую высоту, чем зеленый, который находится в самом центре распределения. Следовательно, отличаются и площади, то бишь вероятности попадания в обозначенные интервалы.

Формула нормального распределения (плотности) следующая.

Функция Гаусса

Формула состоит из двух математических констант:

π – число пи 3,142;

е – основание натурального логарифма 2,718;

двух изменяемых параметров, которые задают форму конкретной кривой:

m – математическое ожидание (в различных источниках могут использоваться другие обозначения, например, µ или a);

ну и сама переменная x, для которой высчитывается плотность вероятности.

Конкретная форма нормального распределения зависит от 2-х параметров: математического ожидания (m) и дисперсии ( σ 2 ). Кратко обозначается N(m, σ 2 ) или N(m, σ). Параметр m (матожидание) определяет центр распределения, которому соответствует максимальная высота графика. Дисперсия σ 2 характеризует размах вариации, то есть «размазанность» данных.

Параметр математического ожидания смещает центр распределения вправо или влево, не влияя на саму форму кривой плотности.

А вот дисперсия определяет остроконечность кривой. Когда данные имеют малый разброс, то вся их масса концентрируется у центра. Если же у данных большой разброс, то они «размазываются» по широкому диапазону.

Плотность распределения не имеет прямого практического применения. Для расчета вероятностей нужно проинтегрировать функцию плотности.

Вероятность того, что случайная величина окажется меньше некоторого значения x, определяется функцией нормального распределения:

Функция нормального распределения

Используя математические свойства любого непрерывного распределения, несложно рассчитать и любые другие вероятности, так как

P(a ≤ X 0 =1 и остается рассчитать только соотношение 1 на корень из 2 пи.

Таким образом, по графику хорошо видно, что значения, имеющие маленькие отклонения от средней, выпадают чаще других, а те, которые сильно отдалены от центра, встречаются значительно реже. Шкала оси абсцисс измеряется в стандартных отклонениях, что позволяет отвязаться от единиц измерения и получить универсальную структуру нормального распределения. Кривая Гаусса для нормированных данных отлично демонстрирует и другие свойства нормального распределения. Например, что оно является симметричным относительно оси ординат. В пределах ±1σ от средней арифметической сконцентрирована большая часть всех значений (прикидываем пока на глазок). В пределах ±2σ находятся большинство данных. В пределах ±3σ находятся почти все данные. Последнее свойство широко известно под названием правило трех сигм для нормального распределения.

Функция стандартного нормального распределения позволяет рассчитывать вероятности.

Функция стандартного нормального распределения

Понятное дело, вручную никто не считает. Все подсчитано и размещено в специальных таблицах, которые есть в конце любого учебника по статистике.

Таблица нормального распределения

Таблицы нормального распределения встречаются двух типов:

— таблица плотности;

— таблица функции (интеграла от плотности).

Таблица плотности используется редко. Тем не менее, посмотрим, как она выглядит. Допустим, нужно получить плотность для z = 1, т.е. плотность значения, отстоящего от матожидания на 1 сигму. Ниже показан кусок таблицы.

Таблица плотности стандартного нормального распределения

В зависимости от организации данных ищем нужное значение по названию столбца и строки. В нашем примере берем строку 1,0 и столбец , т.к. сотых долей нет. Искомое значение равно 0,2420 (0 перед 2420 опущен).

Функция Гаусса симметрична относительно оси ординат. Поэтому φ(z)= φ(-z), т.е. плотность для 1 тождественна плотности для -1, что отчетливо видно на рисунке.

График функции Гаусса

Чтобы не тратить зря бумагу, таблицы печатают только для положительных значений.

На практике чаще используют значения функции стандартного нормального распределения, то есть вероятности для различных z.

В таких таблицах также содержатся только положительные значения. Поэтому для понимания и нахождения любых нужных вероятностей следует знать свойства стандартного нормального распределения.

Функция Ф(z) симметрична относительно своего значения 0,5 (а не оси ординат, как плотность). Отсюда справедливо равенство:

Свойство 1

Это факт показан на картинке:

Свойство нормального распределения 1

Значения функции Ф(-z) и Ф(z) делят график на 3 части. Причем верхняя и нижняя части равны (обозначены галочками). Для того, чтобы дополнить вероятность Ф(z) до 1, достаточно добавить недостающую величину Ф(-z). Получится равенство, указанное чуть выше.

Если нужно отыскать вероятность попадания в интервал (0; z), то есть вероятность отклонения от нуля в положительную сторону до некоторого количества стандартных отклонений, достаточно от значения функции стандартного нормального распределения отнять 0,5:

Свойство 2

Для наглядности можно взглянуть на рисунок.

Свойство нормального распределения 2

На кривой Гаусса, эта же ситуация выглядит как площадь от центра вправо до z.

Свойство нормального распределения 2 на кривой Гаусса

Довольно часто аналитика интересует вероятность отклонения в обе стороны от нуля. А так как функция симметрична относительно центра, предыдущую формулу нужно умножить на 2:

Свойство 3

Свойство нормального распределения 3

Под кривой Гаусса это центральная часть, ограниченная выбранным значением –z слева и z справа.

Свойство нормального распределения 3 на кривой Гаусса

Указанные свойства следует принять во внимание, т.к. табличные значения редко соответствуют интересующему интервалу.

Для облегчения задачи в учебниках обычно публикуют таблицы для функции вида:

Функция стандартного нормального распределения

Если нужна вероятность отклонения в обе стороны от нуля, то, как мы только что убедились, табличное значение для данной функции просто умножается на 2.

Теперь посмотрим на конкретные примеры. Ниже показана таблица стандартного нормального распределения. Найдем табличные значения для трех z: 1,64, 1,96 и 3.

Таблица функции Лапласа

Как понять смысл этих чисел? Начнем с z=1,64, для которого табличное значение составляет 0,4495. Проще всего пояснить смысл на рисунке.

Значение функции Лапласа для z=1,64 в правую сторону

То есть вероятность того, что стандартизованная нормально распределенная случайная величина попадет в интервал от до 1,64, равна 0,4495. При решении задач обычно нужно рассчитать вероятность отклонения в обе стороны, поэтому умножим величину 0,4495 на 2 и получим примерно 0,9. Занимаемая площадь под кривой Гаусса показана ниже.

Значение функции Лапласа для z=1,64 под кривой Гаусса

Таким образом, 90% всех нормально распределенных значений попадает в интервал ±1,64σ от средней арифметической. Я не случайно выбрал значение z=1,64, т.к. окрестность вокруг средней арифметической, занимающая 90% всей площади, иногда используется для проверки статистических гипотез и расчета доверительных интервалов. Если проверяемое значение не попадает в обозначенную область, то его наступление маловероятно (всего 10%).

Для проверки гипотез, однако, чаще используется интервал, накрывающий 95% всех значений. Половина вероятности от 0,95 – это 0,4750 (см. второе выделенное в таблице значение).

Значение функции Лапласа для z=1,96 в правую сторону

Для этой вероятности z=1,96. Т.е. в пределах почти ±2σ от средней находится 95% значений. Только 5% выпадают за эти пределы.

Значение функции Лапласа для z=1,96 под кривой Гаусса

Еще одно интересное и часто используемое табличное значение соответствует z=3, оно равно по нашей таблице 0,4986. Умножим на 2 и получим 0,997. Значит, в рамках ±3σ от средней арифметической заключены почти все значения.

Значение функции Лапласа для z=3 под кривой Гаусса

Так выглядит правило 3 сигм для нормального распределения на диаграмме.

С помощью статистических таблиц можно получить любую вероятность. Однако этот метод очень медленный, неудобный и сильно устарел. Сегодня все делается на компьютере. Далее переходим к практике расчетов в Excel.

Нормальное распределение в Excel

В Excel есть несколько функций для подсчета вероятностей или обратных значений нормального распределения.

Функции нормального распределения в Excel

Функция НОРМ.СТ.РАСП

Функция НОРМ.СТ.РАСП предназначена для расчета плотности ϕ( z ) или вероятности Φ(z) по нормированным данным (z).

z – значение стандартизованной переменной

интегральная – если 0, то рассчитывается плотность ϕ( z ) , если 1 – значение функции Ф(z), т.е. вероятность P(Z

Источник