Նորմալ բաշխման բանաձևը վիճակագրության մեջ

# Նորմալ բաշխման բանաձևը վիճակագրության մեջ

Նորմալ բաշխումը, որը հայտնի է նաև որպես Գաուսյան բաշխում կամ զանգակային կոր, վիճակագրության ամենահիմնարար հասկացություններից մեկն է: Դրա գոյությունը հաճախ համարվում է տարբեր վիճակագրական և հավանականության վերլուծությունների հիմքը: Այս բաշխումը հաճախ օգտագործվում է ոչ միայն տեսության մեջ, այլև տարբեր գործնական կիրառություններում, ինչպիսիք են ֆինանսական ռիսկերի կառավարումը, հասարակագիտությունը, բժշկությունը և այլն:

## Նորմալ բաշխման սահմանումը

Նորմալ բաշխումը անընդհատ հավանականության բաշխում է, որը սիմետրիկ է իր միջին արժեքի նկատմամբ: Այլ կերպ ասած, այս բաշխման գրաֆիկական գծապատկերը կձևավորի զանգակաձև կոր, որը լայնանում է միջինի մոտ և նեղանում պոչերի մոտ: Այս բաշխումն ունի երկու հիմնական պարամետր՝ միջինը (μ) և ստանդարտ շեղումը (σ):

Միջինը որոշում է բաշխման կենտրոնի դիրքը, մինչդեռ ստանդարտ շեղումը չափում է, թե որքանով են տվյալները տարածված միջինի շուրջ։ Որքան մեծ է ստանդարտ շեղումը, այնքան լայն և կարճ է բաշխման կորը. որքան փոքր է ստանդարտ շեղումը, այնքան նեղ և զառիթափ է կորը։

## Հավանականության խտության ֆունկցիա

Նորմալ բաշխման հավանականության խտության ֆունկցիան (pdf) ունի հետևյալ մաթեմատիկական տեսքը՝

\[ f(x | \mu, \sigma) = \frac{1}{\sigma \sqrt{2 \pi}} e^{ -\frac{(x-\mu)^2}{2\sigma^2} } \]

Այստեղ՝
– \(x \)-ը պատահական փոփոխական է։
– \( \mu \)-ն բաշխման միջինն է։
– \( \sigma \)-ն բաշխման ստանդարտ շեղումն է։
– \( e \)-ն բնական լոգարիթմի հիմքն է, մոտավորապես 2.71828։

Վերոնշյալ ֆունկցիան ստեղծում է սիմետրիկ զանգակաձև կոր։ Այս ֆունկցիայի երկու կետերի միջև ինտեգրալը տալիս է այն հավանականությունը, որ պատահական փոփոխականը գտնվում է այդ երկու արժեքների միջև։

## Ստանդարտ նորմալ բաշխում

Ստանդարտ նորմալ բաշխումը նորմալ բաշխում է՝ միջինով (≤ 0) և ստանդարտ շեղմամբ (≤ 1): Ստանդարտ նորմալ բաշխման հավանականության խտության ֆունկցիան հետևյալն է՝

\[ f(z) = \frac{1}{\sqrt{2 \pi}} e^{ -\frac{z^2}{2} } \]

Այստեղ՝
– \(z \)-ն պատահական փոփոխական է, որը հետևում է ստանդարտ նորմալ բաշխմանը։

Ստանդարտ նորմալ բաշխումը հաճախ օգտագործվում է, քանի որ այն թույլ է տալիս ստանդարտացնել այլ նորմալ բաշխումներ «ստանդարտացում» կոչվող գործընթացի միջոցով։ Ստանդարտացումը ենթադրում է նորմալ բաշխման x (N(mu, sigma)) արժեքների փոխակերպումը ստանդարտ նորմալ բաշխման z (N(0, 1)) արժեքների՝ օգտագործելով հետևյալ բանաձևը՝

\[ z = \frac{x – \mu}{\sigma} \]

Այս գործընթացը հեշտացնում է տարբեր նորմալ բաշխումներից արժեքների համեմատությունը՝ դրանք մեկ սանդղակի վրա քարտեզագրելով։

## Կիրառություն և արդիականություն

### 1. Կենտրոնական սահմանային թեորեմ

Նորմալ բաշխումը հատկապես կարևոր է Կենտրոնական սահմանային թեորեմի (ԿԼԹ) համատեքստում: ԿԼԹ-ն նշում է, որ անկախ պատահական փոփոխականների բավականաչափ մեծ թիվը մոտավորապես նորմալ կբաշխվի՝ անկախ սկզբնական բաշխման ձևից: Սա նշանակում է, որ նորմալ բաշխումը կարող է օգտագործվել նմուշի միջինի բաշխումը մոտավորապես որոշելու համար, եթե նմուշը բավականաչափ մեծ է:

### 2. Վիճակագրական եզրակացություն

Նորմալ բաշխումը թույլ է տալիս կիրառել հիպոթեզային թեստեր, ինչպիսիք են z-թեստը և t-թեստը: Երկու մեթոդներն էլ օգտագործում են ստանդարտ նորմալ բաշխումը՝ դիտարկված արդյունքների վիճակագրական նշանակալիությունը որոշելու համար: Z-թեստը սովորաբար օգտագործվում է, երբ նմուշի չափը մեծ է կամ բնակչության ստանդարտ շեղումը հայտնի է, մինչդեռ t-թեստը կիրառվում է, երբ նմուշի չափը փոքր է կամ բնակչության ստանդարտ շեղումը անհայտ է:

### 3. Ռեգրեսիոն վերլուծություն

Գծային ռեգրեսիոն վերլուծության մեջ կարևոր է այն ենթադրությունը, որ սխալի տվյալները նորմալ են բաշխված։ Այս ենթադրությունը թույլ է տալիս հաշվարկել վստահության միջակայքերը և ստուգել ռեգրեսիոն մոդելի պարամետրերի նշանակալիությունը։ Նմանապես, տվյալների սխալների կամ արտառոց արժեքների հայտնաբերումը հաճախ իրականացվում է մնացորդային բաշխումը նորմայից նշանակալի շեղումների համար ուսումնասիրելով։

### 4. Բժշկություն և կենսաբանություն

Բժշկության մեջ նորմալ բաշխումն օգտագործվում է տարբեր կենսաբանական երևույթների բաշխումը նկարագրելու համար: Օրինակ՝ հասակը, արյան ճնշումը և որոշակի լաբորատոր թեստերի արդյունքները հաճախ հետևում են նորմալ բաշխմանը: Սա հեշտացնում է բժշկական ախտորոշումների համար սահմանային արժեքների որոշումը:

### 5. Ֆինանսներ և տնտեսագիտություն

Ֆինանսներում նորմալ բաշխումն օգտագործվում է բազմաթիվ երևույթների մոդելավորման համար, ինչպիսիք են բաժնետոմսերի եկամտաբերությունը, տոկոսադրույքները և այլն: Չնայած գործնականում բաժնետոմսերը հաճախ ցուցաբերում են ավելի բարձր թեքություն և կուրտոզ, նորմալ բաշխման ենթադրությունը դեռևս ապահովում է ամուր վերլուծական հիմք:

## Իրականացում և հաշվարկ

### Python-ի օգտագործումը

Python-ը՝ NumPy-ի և SciPy-ի նման գրադարաններով, ապահովում է նորմալ բաշխման հետ աշխատելու մի քանի մեթոդներ: Ահա մի օրինակ, թե ինչպես կարող ենք ընդհանրացնել և գծագրել նորմալ բաշխումը՝ օգտագործելով այս գրադարանները.

«Պիթոն
ներմուծել numpy որպես np
ներմուծել matplotlib.pyplot որպես plt
scipy.stats ներմուծման նորմայից

# Նորմալ բաշխման պարամետրեր
մու = 0 # միջին
սիգմա = 1 # ստանդարտ շեղում

# Տվյալներ նորմալ բաշխման համար
x = np.linspace(-5, 5, 1000)
y = norm.pdf(x, mu, sigma)

# Նորմալ բաշխման գրաֆիկ
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('Խտություն')
plt.title('Նորմալ բաշխում N(0, 1)')
plt.show ()
««

Վերոնշյալ օրինակում մենք ստեղծեցինք նորմալ բաշխման տվյալներ՝ 0 միջինով և 1 ստանդարտ շեղումով, ապա գծագրեցինք դրա հավանականության խտության ֆունկցիան։

## Եզրակացություն

Նորմալ բաշխումը կարևոր դեր է խաղում վիճակագրության և հավանականության մեջ: Դրա համընդհանուր կիրառումը՝ սկսած Կենտրոնական սահմանային թեորեմից մինչև տարբեր գործնական կիրառություններ, ինչպիսիք են ռեգրեսիոն վերլուծությունը և վարկածների ստուգումը, այն դարձնում է ամենատարածված և կարևոր հավանականության բաշխումներից մեկը: Նորմալ բաշխման բանաձևը և դրա արդյունավետ կիրառման եղանակը հասկանալը կարևոր հմտություն է տվյալագիտության, հետազոտության, տնտեսագիտության և շատ այլ ոլորտներում աշխատող յուրաքանչյուրի համար:

Այս գիտելիքների շնորհիվ մենք կարող ենք ավելի արդյունավետ մոտենալ և լուծել տարբեր տեսակի վերլուծական խնդիրներ, ինչը մեզ հնարավորություն կտա ավելի լավ որոշումներ կայացնել՝ հիմնվելով առկա տվյալների և հավանականությունների վրա։