Formula za normalnu distribuciju u statistici
U području statistike, normalna distribucija je jedna od najvažnijih i najčešće korištenih distribucija vjerovatnoće. Poznata i kao Gaussova distribucija, nazvana po Carlu Friedrichu Gaussu, normalna distribucija prikladno opisuje razne prirodne pojave i naučne podatke. Krivulja u obliku zvona koja karakterizira ovu distribuciju sveprisutna je u društvenim naukama, prirodnim naukama, finansijama i mnogim drugim oblastima. Ovaj članak istražuje složenosti formule normalne distribucije, njena svojstva i primjenu.
Razumijevanje normalne distribucije
Normalna distribucija je kontinuirana distribucija vjerovatnoće koja je simetrična oko svoje srednje vrijednosti, pokazujući da se podaci blizu srednje vrijednosti češće pojavljuju od podataka daleko od srednje vrijednosti. Distribucija je definirana s dva parametra:
1. Srednja vrijednost (μ): Centralna tendencija distribucije. To je vrh krivulje zvona i predstavlja prosječnu vrijednost skupa podataka.
2. Standardna devijacija (σ): Ova mjera mjeri disperziju ili rasprostranjenost podataka oko srednje vrijednosti. Mala standardna devijacija podrazumijeva da su podaci blizu srednje vrijednosti, dok velika standardna devijacija ukazuje na to da su podaci raspoređeni u širem rasponu.
Formula za normalnu distribuciju
Funkcija gustine vjerovatnoće (PDF) normalne distribucije matematički se predstavlja kao:
\[ f(x | \mu, \sigma^2) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x – \mu)^2}{2\sigma^2}} \]
gdje:
– \( f(x | \mu, \sigma^2) \) je funkcija gustine vjerovatnoće.
– \( x \) je vrijednost za koju izračunavate gustinu vjerovatnoće.
– \( \mu \) je srednja vrijednost distribucije.
– \( \sigma \) je standardna devijacija.
– \( \sigma^2 \) je varijanca distribucije.
– \( e \) je osnova prirodnog logaritma, približno jednaka 2.71828.
– \( \pi \) je konstanta pi, približno jednaka 3.14159.
Formula obuhvata eksponencijalnu funkciju koja uključuje kvadratnu razliku između \(x \) i srednje vrijednosti \(\mu \), skaliranu varijansom. Prefaktor \( \frac{1}{\sigma\sqrt{2\pi}} \) osigurava da ukupna površina ispod krive PDF-a bude jednaka 1, zadovoljavajući zahtjev za raspodjelu vjerovatnoće.
Karakteristike normalne distribucije
simetrija
Ključno svojstvo normalne distribucije je njena simetrija oko srednje vrijednosti (μ). To implicira da su vrijednosti lijevo i desno od srednje vrijednosti zrcalne slike. Posljedično, medijana i mod normalno distribuiranog skupa podataka jednaki su srednjoj vrijednosti.
Empirijsko pravilo (pravilo 68-95-99.7)
Empirijsko pravilo je skraćena formula za pamćenje procenta vrijednosti koje se nalaze unutar pojasa oko srednje vrijednosti u normalnoj distribuciji:
– Otprilike 68% podataka spada u jednu standardnu devijaciju (\( \mu \pm \sigma \)).
– Oko 95% podataka leži unutar dvije standardne devijacije (\( \mu \pm 2\sigma \)).
– Gotovo 99.7% podataka se nalazi unutar tri standardne devijacije (\( \mu \pm 3 \sigma \)).
Asimptotski rep
Repovi krive normalne distribucije se asimptotski približavaju horizontalnoj osi. To znači da kako se udaljavate od srednje vrijednosti, vjerovatnoća nailaska na ekstremne vrijednosti se smanjuje, ali nikada zapravo ne dostiže nulu.
Standardna normalna distribucija
Standardna normalna distribucija je poseban slučaj normalne distribucije gdje je srednja vrijednost (μ) jednaka nuli, a standardna devijacija (sigma) jedan. Funkcija gustine vjerovatnoće za standardnu normalnu distribuciju je:
\[ \phi(z) = \frac{1}{\sqrt{2\pi}} e^{-\frac{z^2}{2}} \]
Gdje je \( z \) standardizirana vrijednost koja predstavlja broj standardnih devijacija od srednje vrijednosti. Transformacija bilo koje normalne distribucije u standardnu normalnu distribuciju može se postići korištenjem formule Z-score:
\[ z = \frac{x – \mu}{\sigma} \]
Z-vrijednost predstavlja koliko standardnih devijacija element (x) odstupa od srednje vrijednosti. Omogućava poređenje između različitih normalnih distribucija i primjenu standardnih tabela normalnih distribucija za pronalaženje vjerovatnoća i kritičnih vrijednosti.
Primjene normalne distribucije
U istraživanju i akademskim krugovima
U istraživanjima, analiza i interpretacija podataka često pretpostavljaju normalnu distribuciju, prvenstveno zbog Centralne granične teoreme. Ova teorema tvrdi da će, uz dovoljno veliku veličinu uzorka, distribucija uzorkovanja srednje vrijednosti biti približno normalno distribuirana, bez obzira na oblik distribucije populacije.
U finansijama i ekonomiji
Finansijski analitičari koriste normalnu distribuciju za modeliranje prinosa i rizika imovine. Distribucija pomaže u upravljanju portfoliom, određivanju cijena opcija i modelima procjene rizika. Osim toga, brojne ekonomske pojave, poput raspodjele prihoda ili tržišnih prinosa, često se mogu aproksimirati korištenjem normalne distribucije.
Kontrola kvaliteta i proizvodnja
U kontroli kvaliteta, normalna distribucija se koristi za praćenje i kontrolu procesa. Procjenom standardnih odstupanja od srednje vrijednosti, proizvođači mogu identificirati nedostatke i osigurati da kvalitet proizvoda ostane u okviru prihvatljivih specifikacija.
U zdravstvenom sektoru
Normalna distribucija se koristi u zdravstvu za interpretaciju bioloških mjerenja. Varijable poput ljudske visine, krvnog pritiska i mjerenja kognitivnih sposobnosti često slijede obrazac normalne distribucije. To pomaže u postavljanju mjerila i dijagnosticiranju zdravstvenih stanja.
zaključak
Normalna distribucija, sa svojim elegantnim matematičkim svojstvima i raznolikim primjenama, ostaje sastavni dio statističke analize. Njena formula obuhvata suštinu mnogih prirodnih i društvenih fenomena, pružajući uvide i pomažući u procesima donošenja odluka u različitim oblastima. Bilo da se radi o istraživanju, finansijama, kontroli kvaliteta ili zdravstvu, razumijevanje i primjena normalne distribucije može dovesti do informiranijih i tačnijih rezultata.
