# Formula normalne distribucije u statistici
Normalna distribucija, poznata i kao Gaussova distribucija ili krivulja zvona, jedan je od najosnovnijih koncepata u statistici. Njeno postojanje se često smatra osnovom različitih statističkih i vjerovatnosnih analiza. Ova distribucija se ne koristi samo često u teoriji već i u raznim praktičnim primjenama, kao što su upravljanje finansijskim rizicima, društvene nauke, medicina i drugo.
## Definicija normalne distribucije
Normalna distribucija je kontinuirana distribucija vjerovatnoće koja je simetrična oko svoje srednje vrijednosti. Drugim riječima, grafički prikaz ove distribucije formirat će krivulju u obliku zvona koja se širi kod srednje vrijednosti, a sužava na krajevima. Ova distribucija ima dva glavna parametra: srednju vrijednost (μ) i standardnu devijaciju (σ).
Srednja vrijednost određuje lokaciju centra distribucije, dok standardna devijacija mjeri koliko su podaci raspoređeni oko srednje vrijednosti. Što je standardna devijacija veća, to je krivulja distribucije šira i kraća; što je standardna devijacija manja, to je krivulja uža i strmija.
## Funkcija gustoće vjerovatnoće
Funkcija gustine vjerovatnoće (pdf) za normalnu distribuciju ima sljedeći matematički oblik:
\[ f(x | \mu, \sigma) = \frac{1}{\sigma \sqrt{2 \pi}} e^{ -\frac{(x-\mu)^2}{2\sigma^2} } \]
Ovdje:
– \( x \) je slučajna varijabla.
– \( \mu \) je srednja vrijednost distribucije.
– \( \sigma \) je standardna devijacija distribucije.
– \( e \) je osnova prirodnog logaritma, približno 2.71828.
Gornja funkcija stvara simetričnu krivulju u obliku zvona. Integral ove funkcije između dvije tačke daje vjerovatnoću da se slučajna varijabla nalazi između te dvije vrijednosti.
## Standardna normalna distribucija
Standardna normalna distribucija je normalna distribucija sa srednjom vrijednošću (μ = 0) i standardnom devijacijom (sigma = 1). Funkcija gustine vjerovatnoće za standardnu normalnu distribuciju je:
\[ f(z) = \frac{1}{\sqrt{2 \pi}} e^{ -\frac{z^2}{2} } \]
Ovdje:
– \( z \) je slučajna varijabla koja slijedi standardnu normalnu distribuciju.
Standardna normalna distribucija se često koristi jer nam omogućava standardizaciju drugih normalnih distribucija kroz proces koji se naziva "standardizacija". Standardizacija uključuje transformiranje vrijednosti \(x \) normalne distribucije \(N(\mu, \sigma) \) u vrijednosti \(z \) standardne normalne distribucije \(N(0, 1) \), koristeći sljedeću formulu:
\[ z = \frac{x – \mu}{\sigma} \]
Ovaj proces olakšava poređenje vrijednosti iz različitih normalnih distribucija mapiranjem na jednu skalu.
## Primjena i relevantnost
### 1. Centralna granična teorema
Normalna distribucija je posebno relevantna u kontekstu Centralne granične teoreme (CLT). CLT tvrdi da će dovoljno veliki broj nezavisnih slučajnih varijabli biti približno normalno distribuiran, bez obzira na oblik originalne distribucije. To znači da se normalna distribucija može koristiti za aproksimaciju distribucije srednje vrijednosti uzorka, sve dok je uzorak dovoljno velik.
### 2. Statističko zaključivanje
Normalna distribucija omogućava primjenu testova hipoteza, kao što su z-test i t-test. Obje metode koriste standardnu normalnu distribuciju za određivanje statističke značajnosti posmatranih rezultata. Z-test se obično koristi kada je uzorak veliki ili je standardna devijacija populacije poznata, dok se t-test primjenjuje kada je uzorak mali ili je standardna devijacija populacije nepoznata.
### 3. Regresijska analiza
U linearnoj regresijskoj analizi, pretpostavka da su podaci o greškama normalno distribuirani je ključna. Ova pretpostavka omogućava izračunavanje intervala pouzdanosti i testiranje značajnosti parametara regresijskog modela. Slično tome, otkrivanje grešaka u podacima ili ekstremnih vrijednosti često se vrši ispitivanjem distribucije reziduala na značajna odstupanja od normalnosti.
### 4. Medicina i biologija
U medicini se normalna distribucija koristi za opisivanje distribucije različitih bioloških fenomena. Na primjer, visina, krvni pritisak i određeni rezultati laboratorijskih testova često slijede normalnu distribuciju. To olakšava određivanje graničnih vrijednosti za medicinske dijagnoze.
### 5. Finansije i ekonomija
U finansijama, normalna distribucija se koristi za modeliranje mnogih fenomena, kao što su prinosi dionica, kamatne stope i drugo. Iako u praksi dionice često pokazuju veću asimetriju i kurtozu, pretpostavka normalne distribucije i dalje pruža solidnu analitičku osnovu.
## Implementacija i izračun
### Korištenje Pythona
Python, s bibliotekama poput NumPy i SciPy, pruža nekoliko metoda za rad s normalnom distribucijom. Evo primjera kako možemo generalizirati i nacrtati normalnu distribuciju koristeći ove biblioteke:
“`python
uvoz numpy kao np
uvozite matplotlib.pyplot kao plt
iz norme uvoza scipy.stats
# Parametri normalne distribucije
mu = 0 # srednja vrijednost
sigma = 1 # standardna devijacija
# Podaci za normalnu distribuciju
x = np.linspace(-5, 5, 1000)
y = norma.pdf(x, mu, sigma)
# Grafik normalne distribucije
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('Gustoća')
plt.title('Normalna distribucija N(0, 1)')
plt.show ()
"`
U gornjem primjeru, generirali smo podatke normalne distribucije sa srednjom vrijednošću 0 i standardnom devijacijom 1, a zatim smo grafički prikazali njenu funkciju gustoće vjerovatnoće.
## Zaključak
Normalna distribucija igra ključnu ulogu u statistici i vjerovatnoći. Njena univerzalna upotreba, od Centralne granične teoreme do raznih praktičnih primjena kao što su regresijska analiza i testiranje hipoteza, čini je jednom od najpopularnijih i najvažnijih distribucija vjerovatnoće. Razumijevanje formule normalne distribucije i kako je efikasno koristiti je ključna vještina za svakoga ko radi u nauci o podacima, istraživanju, ekonomiji i mnogim drugim oblastima.
S ovim znanjem možemo efikasnije pristupiti i rješavati različite vrste analitičkih problema, što nam omogućava donošenje boljih odluka na osnovu dostupnih podataka i vjerovatnoća.
