Նորմալ բաշխման ֆունկցիա
Նորմալ բաշխման ֆունկցիան վիճակագրության և հավանականության մեջ հիմնարար հասկացություն է, որը կարևոր դեր է խաղում տնտեսագիտությունից մինչև հասարակական գիտություններ, ֆիզիկա և ճարտարագիտություն տարբեր ոլորտներում: Այս ֆունկցիան կարևոր է, քանի որ նկարագրում է իրական կյանքի բազմաթիվ երևույթների բնական բաշխումը: Այս հոդվածում մանրամասն կքննարկվի նորմալ բաշխման ֆունկցիան, դրա բնութագրերը, կիրառությունները և տվյալների վերլուծության մեջ դրա կիրառման եղանակը:
Ի՞նչ է նորմալ բաշխման ֆունկցիան։
Նորմալ բաշխումը, որը հայտնի է նաև որպես Գաուսյան բաշխում, վիճակագրության մեջ ամենատարածված հավանականության բաշխումն է: Դրա կորը զանգակի ձև ունի և սիմետրիկ է միջինի նկատմամբ: Այս բաշխումը կոչվում է «նորմալ», քանի որ իրական կյանքի շատ պատահական փոփոխականներ մոտավորապես այս բաշխումն են կազմում, երբ հավաքվում են մեծ քանակությամբ տվյալներ:
Նորմալ բաշխման ֆունկցիան սահմանվում է երկու պարամետրով՝ միջին (μ) և ստանդարտ շեղում (σ): Միջինը որոշում է բաշխման կենտրոնը, մինչդեռ ստանդարտ շեղումը որոշում է կորի լայնությունը և ձևը: Այս ֆունկցիան տրվում է հետևյալ մաթեմատիկական բանաձևով.
\[ f(x|\mu, \sigma) = \frac{1}{\sigma \sqrt{2\pi}} e^{ -\frac{(x-\mu)^2}{2\sigma^2}} \]
Որտեղ՝
– \(x \)-ն պատահական փոփոխական է
– \( \mu \)-ն միջինն է
– \( \sigma \)-ն ստանդարտ շեղումն է
– \( \pi \)-ն pi հաստատունն է (մոտավորապես 3.14159)
– \( e \)-ն բնական լոգարիթմի հիմքն է (մոտավորապես 2.71828)
Նորմալ բաշխման բնութագրերը
Նորմալ բաշխումն ունի մի քանի առանձնահատկություններ, որոնք այն տարբերակում են այլ հավանականության բաշխումներից.
1. Սիմետրիկ. Նորմալ բաշխումը սիմետրիկ է միջինի նկատմամբ։ Սա նշանակում է, որ տվյալների կեսը միջինից ձախ է, իսկ մյուս կեսը՝ աջ։
2. Գագաթնակետ միջին արժեքի մոտ. Կորը գագաթնակետ ունի միջին արժեքի մոտ և էքսպոնենցիալ կերպով նվազում է միջին արժեքից հեռանալուն զուգընթաց։
3. Կորի տակ գտնվող ընդհանուր մակերեսը. Նորմալ բաշխման կորի տակ գտնվող ընդհանուր մակերեսը 1 է, որը ներկայացնում է ընդհանուր հավանականությունը։
4. Էմպիրիկ հավաքածու. Տվյալների մոտավորապես 68%-ը միջին արժեքից մեկ ստանդարտ շեղման սահմաններում է, 95%-ը՝ երկու ստանդարտ շեղման սահմաններում և 99.7%-ը՝ երեք ստանդարտ շեղման սահմաններում: Սա հայտնի է որպես 68-95-99.7 կանոն:
5. Անսահմանափակ. Ասիմպտոտիկ նորմալ բաշխման կորը, որտեղ այն մոտենում է, բայց երբեք չի դիպչում հորիզոնական առանցքին (x-առանցք):
Նորմալ բաշխման կիրառություններ
Նորմալ բաշխումը լայն կիրառություն ունի տարբեր ոլորտներում, ահա մի քանի օրինակներ՝
1. Հասարակական գիտություններ և հոգեբանություն
Սոցիալական և հոգեբանական հետազոտություններում նորմալ բաշխումը հաճախ օգտագործվում է այնպիսի արժեքների բաշխումը նկարագրելու համար, ինչպիսիք են IQ-ն, թեստերի արդյունքները և անհատականության գծերը: Ենթադրվում է, որ մարդկային շատ գծեր նորմալ են բաշխված, ինչը թույլ է տալիս հետազոտողներին կատարել վիճակագրական վերլուծություններ:
2. Տնտեսագիտություն և ֆինանսներ
Տնտեսագիտության և ֆինանսական շուկաներում նորմալ բաշխման ենթադրությունն օգտագործվում է տարբեր մոդելներում՝ ռիսկը, ներդրումային եկամտաբերությունը և շուկայի անկայունությունը գնահատելու համար: Բլեք-Շոլսի մոդելի նման մոդելները օգտագործում են նորմալ բաշխումը՝ օպցիոնների և այլ ֆինանսական ածանցյալների գնագոյացման համար:
3. Բնական գիտություններ և ճարտարագիտություն
Բնական գիտություններում և ճարտարագիտության մեջ նորմալ բաշխումն օգտագործվում է չափման սխալները և բնական երևույթները մոդելավորելու համար: Օրինակ՝ ֆիզիկայում այն հաճախ օգտագործվում է Բրաունյան շարժումը և փորձերի ժամանակ սխալների բաշխումը նկարագրելու համար:
4. Որակի վերահսկողություն
Արտադրական արդյունաբերության մեջ նորմալ բաշխումն օգտագործվում է որակի վերահսկման մեթոդների համար, ինչպիսիք են կառավարման գրաֆիկները, որոնք օգնում են որոշել, թե արդյոք արտադրական գործընթացը թույլատրելի սահմանների սահմաններում է, թե անհրաժեշտ է ճշգրտում:
Նորմալ բաշխման իրականացումը տվյալների վերլուծության մեջ
Տվյալների վերլուծության մեջ նորմալ բաշխումը ներդնելու համար դուք պետք է հասկանաք, թե ինչպես հաշվարկել հավանականությունները և ինչպես ստանդարտացնել տվյալները։ Ստանդարտացումը օգնում է համեմատել տարբեր նորմալ բաշխումներից ստացված տվյալները։
Z-Score
Z-միավորը կամ ստանդարտ շեղումը հաճախ օգտագործվող մեթոդ է, որը չափում է, թե որքանով է արժեքը (x) հեռու միջինից ստանդարտ շեղման միավորներով: Z-միավորը հաշվարկվում է հետևյալ բանաձևով.
\[ Z = \frac{(X – \mu)}{\sigma} \]
Այս Z-միավորի արժեքը կարող է օգտագործվել ստանդարտ նորմալ բաշխման (միջին=0 և ստանդարտ շեղում=1) հավանականությունը կամ տոկոսային հարաբերակցությունը գտնելու համար՝ օգտագործելով Z աղյուսակ կամ վիճակագրական ծրագիր։
QQ գրաֆիկ
Քվանտիլ-քվանտիլային (QQ) գրաֆիկական գործիք է տվյալների բազմության որոշակի բաշխման, օրինակ՝ նորմալ բաշխման, համապատասխանությունը գնահատելու համար։ Եթե տվյալները հետևում են նորմալ բաշխմանը, QQ գրաֆիկի վրա կետերը կկազմեն ուղիղ գիծ։
Նորմալության թեստ
Կան մի քանի վիճակագրական թեստեր, որոնք կարող են օգտագործվել տվյալների նորմալությունը ստուգելու համար, այդ թվում՝ Կոլմոգորով-Սմիրնովի թեստը, Շապիրո-Վիլկի թեստը և Անդերսոն-Դարլինգի թեստը: Այս թեստերը օգնում են որոշել, թե արդյոք բնակչության սկզբնական տվյալները հետևում են նորմալ բաշխմանը:
Իրական օրինակ
Նորմալ բաշխման իրականացումը պարզաբանելու համար դիտարկենք իրական աշխարհի օրինակ։ Ենթադրենք, որ մենք ունենք 1000 ուսանողների թեստերի արդյունքների տվյալներ՝ 70 միջինով և 10 ստանդարտ շեղումով։
Հավանականության հաշվարկ
Մենք ուզում ենք իմանալ ուսանողի 60-ից 80 միավոր ստանալու հավանականությունը։ Նախ, մենք հաշվարկում ենք 60-ի և 80-ի Z-միավորը։
\[ Z_{60} = \frac{60 – 70}{10} = -1 \]
\[ Z_{80} = \frac{80 – 70}{10} = 1 \]
Z-աղյուսակն օգտագործելով՝ մենք պարզում ենք, որ Z <= -1 հավանականությունը 0.1587 է, իսկ Z <= 1 հավանականությունը՝ 0.8413: 60-ից 80 միավորի հավանականությունը գտնելու համար մենք հանում ենք այս երկու հավանականությունները՝ \[ P(60 <= X <= 80) = P(Z <= 1) - P(Z <= -1) = 0.8413 - 0.1587 = 0.6826 \] Այսպիսով, ուսանողի 60-ից 80 միավոր ստանալու հավանականությունը մոտավորապես 68.26% է: QQ գրաֆիկի ստեղծումը՝ օգտագործելով վիճակագրական ծրագրեր, ինչպիսիք են R-ը կամ Python-ը, մենք կարող ենք ստեղծել QQ գրաֆիկ մեր թեստի միավորների տվյալների համար: Եթե մեր իրական թեստի միավորների տվյալները հետևում են նորմալ բաշխմանը, ապա գրաֆիկի վրա կետերը կկազմեն ուղիղ գիծ: Նորմալության ստուգում Վերջապես, մենք կարող ենք անցկացնել Շապիրո-Վիլկի թեստը՝ ստուգելու համար, թե արդյոք մեր թեստի միավորների տվյալները հետևում են նորմալ բաշխմանը: Վիճակագրական ծրագրային ապահովման միջոցով մենք կարող ենք հեշտությամբ ստանալ այս թեստի p-արժեքը: Եթե p-արժեքը մեծ է նշանակալիության մակարդակից (սովորաբար 0.05), մենք չենք կարողանում մերժել այն զրոյական վարկածը, որ մեր տվյալները նորմալ են: Եզրակացություն Նորմալ բաշխման ֆունկցիան վիճակագրական վերլուծության հիմքն է և լայն կիրառություն ունի տարբեր առարկաներում: Բաշխման հիմնական բնութագրերը՝ սիմետրիան, միջինի մոտ գագաթնակետը և 68-95-99.7 կանոնը, այն իդեալական են դարձնում տվյալների վերլուծության բազմաթիվ տեսակների համար: Հասկանալով, թե ինչպես է գործում նորմալ բաշխումը և ինչպես այն կիրառել տվյալների վերլուծության մեջ, հետազոտողներն ու մասնագետները կարող են իրենց տվյալներից կատարել ուժեղ և ճշգրիտ եզրակացություններ: Անկախ նրանից, թե դա ֆինանսական ռիսկերի կանխատեսում է, հոգեբանական հատկանիշների գնահատում, թե արտադրության որակի վերահսկում, նորմալ բաշխումը հզոր շրջանակ է առաջարկում բարդ համակարգերին բնորոշ փոփոխականությունը հասկանալու և վերլուծելու համար:
