Normaldreifingarfall
Normaldreifingarfallið er grundvallarhugtak í tölfræði og líkindafræði sem gegnir mikilvægu hlutverki á sviðum allt frá hagfræði til félagsvísinda, eðlisfræði og verkfræði. Þetta fall er mikilvægt vegna þess að það lýsir náttúrulegri dreifingu margra raunverulegra fyrirbæra. Í þessari grein verður fjallað ítarlega um normaldreifingarfallið, eiginleika þess, notkun þess og hvernig á að beita því í gagnagreiningu.
Hvað er normaldreifingarfallið?
Normaldreifingin, einnig þekkt sem Gauss-dreifing, er algengasta líkindadreifingin í tölfræði. Ferillinn er bjöllulaga og samhverfur um meðaltalið. Þessi dreifing er kölluð „normal“ vegna þess að margar raunverulegar handahófsbreytur nálgast þessa dreifingu þegar mikið magn gagna er safnað.
Normaldreifingarfallið er skilgreint með tveimur breytum: meðaltali (μ) og staðalfráviki (σ). Meðaltalið ákvarðar miðju dreifingarinnar, en staðalfrávikið ákvarðar breidd og lögun ferilsins. Þetta fall er gefið með eftirfarandi stærðfræðiformúlu:
\[ f(x|μ, \sigma) = \frac{1}{\sigma \sqrt{2π}} e^{ -\frac{(x-μ)^2}{2\sigma^2}} \]
Hvar:
– \(x \) er handahófsbreyta
– \( \mu \) er meðaltalið
– \( \sigma \) er staðalfrávikið
– \( \pi \) er fastinn pí (um það bil 3.14159)
– \(e \) er grunntölu náttúrulegs lógaritma (u.þ.b. 2.71828)
Einkenni eðlilegrar dreifingar
Normaldreifingin hefur nokkra sérstaka eiginleika sem aðgreina hana frá öðrum líkindadreifingum:
1. Samhverf: Normaldreifing er samhverf um meðaltalið. Þetta þýðir að helmingur gagnanna er vinstra megin við meðaltalið og hinn helmingurinn er hægra megin.
2. Hámark við meðaltal: Ferillinn hefur hámark við meðaltal og minnkar veldisvísis þegar hann færist frá meðaltalinu.
3. Heildarflatarmál undir ferlinum: Heildarflatarmál undir normaldreifingarferlinum er 1, sem táknar heildarlíkurnar.
4. Raunvísindaleg mengi: Um það bil 68% gagnanna eru innan eins staðalfráviks frá meðaltali, 95% innan tveggja staðalfrávika og 99.7% innan þriggja staðalfrávika. Þetta er þekkt sem 68-95-99.7 reglan.
5. Óbundið: Asymptotísk normaldreifingarkúrva þar sem hún nálgast lárétta ásinn (x-ásinn) en snertir hann aldrei.
Forrit fyrir eðlilega dreifingu
Normaldreifingin hefur víðtæk notkunarsvið á ýmsum sviðum, hér eru nokkur dæmi:
1. Félagsvísindi og sálfræði
Í félags- og sálfræðilegum rannsóknum er normaldreifing oft notuð til að lýsa dreifingu gilda eins og greindarvísitölu, prófskora og persónueinkenna. Gert er ráð fyrir að margir eiginleikar manna séu normaldreifðir, sem gerir rannsakendum kleift að framkvæma tölfræðilegar greiningar.
2. Hagfræði og fjármál
Í hagfræði og fjármálamörkuðum er forsenda normaldreifingar notuð í ýmsum líkönum til að meta áhættu, ávöxtun fjárfestinga og sveiflur á markaði. Líkön eins og Black-Scholes líkanið nota normaldreifingu til að verðleggja valkosti og aðrar fjármálaafleiður.
3. Náttúruvísindi og verkfræði
Í náttúruvísindum og verkfræði er normaldreifing notuð til að líkja eftir mælivillum og náttúrufyrirbærum. Til dæmis er hún oft notuð í eðlisfræði til að lýsa Brown-hreyfingu og dreifingu villna í tilraunum.
4. Gæðaeftirlit
Í framleiðsluiðnaði er normaldreifing notuð fyrir gæðaeftirlitsaðferðir eins og stýritöflur, sem hjálpa til við að ákvarða hvort framleiðsluferli sé innan leyfilegra marka eða þurfi að aðlaga það.
Útfærsla eðlilegrar dreifingar í gagnagreiningu
Til að útfæra normaldreifingu í gagnagreiningu verður þú að skilja hvernig á að reikna líkur og hvernig á að staðla gögn. Stöðlun hjálpar til við að bera saman gögn frá mismunandi normaldreifingum.
Z-skor
Z-stigið, eða staðalfrávikið, er aðferð sem oft er notuð til að mæla hversu langt gildi (x) er frá meðaltalinu í staðalfrávikseiningum. Z-stigið er reiknað með formúlunni:
\[ Z = \frac{(X – \mu)}{\sigma} \]
Þetta Z-stig er síðan hægt að nota til að finna líkindi eða prósentu staðlaðrar normaldreifingar (meðaltal = 0 og staðalfrávik = 1) með því að nota Z-töflu eða tölfræðihugbúnað.
QQ-söguþráður
QQ (Quantile-Quantile) graf er grafískt verkfæri til að meta hvort gagnasafn fylgi ákveðinni dreifingu, eins og normaldreifingu. Ef gögnin fylgja normaldreifingu mynda punktarnir á QQ grafinu beina línu.
Eðlileikapróf
Það eru til nokkrar tölfræðilegar prófanir sem hægt er að nota til að athuga hvort gögn séu eðlileg, þar á meðal Kolmogorov-Smirnov prófið, Shapiro-Wilk prófið og Anderson-Darling prófið. Þessi próf hjálpa til við að ákvarða hvort upprunaleg gögn þýðisins fylgi normaldreifingu.
Raunverulegt dæmi
Til að skýra útfærslu normaldreifingarinnar skulum við skoða raunverulegt dæmi. Segjum sem svo að við höfum prófniðurstöður frá 1000 nemendum með meðaltal upp á 70 og staðalfrávik upp á 10.
Að reikna líkindi
Við viljum vita líkurnar á að nemandi fái einkunn á bilinu 60 til 80. Fyrst reiknum við Z-stig fyrir 60 og 80.
\[ Z_{60} = \frac{60 – 70}{10} = -1 \]
\[ Z_{80} = \frac{80 – 70}{10} = 1 \]
Með því að nota Z-töfluna finnum við að líkurnar á að Z <= -1 eru 0.1587 og líkurnar á að Z <= 1 eru 0.8413. Til að finna líkurnar á stigum á milli 60 og 80 drögum við þessar tvær líkur frá: \[ P(60 <= X <= 80) = P(Z <= 1) - P(Z <= -1) = 0.8413 - 0.1587 = 0.6826 \] Þannig eru líkurnar á að nemandi fái stig á milli 60 og 80 um það bil 68.26%. Að búa til QQ-mynd Með því að nota tölfræðihugbúnað eins og R eða Python getum við búið til QQ-mynd fyrir prófskorgögnin okkar. Ef raunveruleg prófskorgögn okkar fylgja normaldreifingu, þá mynda punktarnir á myndritinu beina línu. Prófun á normaldreifingu Að lokum getum við keyrt Shapiro-Wilk prófið til að athuga hvort prófskorgögnin okkar fylgi normaldreifingu. Með því að nota tölfræðihugbúnað getum við auðveldlega fengið p-gildi fyrir þetta próf. Ef p-gildið er hærra en marktæknistigið (venjulega 0.05) höfnum við ekki núlltilgátunni um að gögnin okkar séu eðlileg. Niðurstaða Normaldreifingarfallið er burðarás tölfræðilegrar greiningar og hefur víðtæka notkun í ýmsum fræðigreinum. Helstu einkenni dreifingarinnar - samhverfa, meðaltalstopp og 68-95-99.7 reglan - gera hana tilvalda fyrir margar gerðir gagnagreiningar. Með því að skilja hvernig normaldreifingin virkar og hvernig á að útfæra hana í gagnagreiningu geta vísindamenn og sérfræðingar dregið sterkar og nákvæmar ályktanir út frá gögnum sínum. Hvort sem um er að ræða að spá fyrir um fjárhagslega áhættu, meta sálfræðilega eiginleika eða stjórna framleiðslugæðum, þá býður normaldreifingin upp á öflugt rammaverk til að skilja og greina breytileika sem er innbyggður í flóknum kerfum.
