ნორმალური განაწილების ფუნქცია
ნორმალური განაწილების ფუნქცია სტატისტიკისა და ალბათობის ფუნდამენტური კონცეფციაა, რომელიც სასიცოცხლო როლს ასრულებს ეკონომიკიდან დაწყებული სოციალური მეცნიერებებით, ფიზიკითა და ინჟინერიით დამთავრებული. ეს ფუნქცია გადამწყვეტია, რადგან ის აღწერს რეალური ცხოვრების მრავალი მოვლენის ბუნებრივ განაწილებას. ეს სტატია დეტალურად განიხილავს ნორმალური განაწილების ფუნქციას, მის მახასიათებლებს, გამოყენებას და მონაცემთა ანალიზში მისი გამოყენების წესებს.
რა არის ნორმალური განაწილების ფუნქცია?
ნორმალური განაწილება, ასევე ცნობილი როგორც გაუსის განაწილება, სტატისტიკაში ყველაზე გავრცელებული ალბათური განაწილებაა. მისი მრუდი ზარის ფორმისაა და სიმეტრიულია საშუალო მნიშვნელობის მიმართ. ამ განაწილებას „ნორმალურს“ უწოდებენ, რადგან ბევრი რეალური შემთხვევითი ცვლადი ამ განაწილებას უახლოვდება, როდესაც დიდი რაოდენობით მონაცემები გროვდება.
ნორმალური განაწილების ფუნქცია განისაზღვრება ორი პარამეტრით: საშუალო (μ) და სტანდარტული გადახრა (σ). საშუალო განსაზღვრავს განაწილების ცენტრს, ხოლო სტანდარტული გადახრა განსაზღვრავს მრუდის სიგანეს და ფორმას. ეს ფუნქცია მოცემულია შემდეგი მათემატიკური ფორმულით:
\[ f(x|\mu, \sigma) = \frac{1}{\sigma \sqrt{2\pi}} e^{ -\frac{(x-\mu)^2}{2\sigma^2}} \]
სად:
– \(x \) შემთხვევითი ცვლადია
– \( \mu \) არის საშუალო
– \( \sigma \) არის სტანდარტული გადახრა
– \( \pi \) არის მუდმივა pi (დაახლოებით 3.14159)
– \( e \) არის ბუნებრივი ლოგარითმის ფუძე (დაახლოებით 2.71828)
ნორმალური განაწილების მახასიათებლები
ნორმალურ განაწილებას აქვს რამდენიმე გამორჩეული მახასიათებელი, რომელიც განასხვავებს მას სხვა ალბათური განაწილებებისგან:
1. სიმეტრიული: ნორმალური განაწილება სიმეტრიულია საშუალო მნიშვნელობის მიმართ. ეს ნიშნავს, რომ მონაცემების ნახევარი საშუალო მნიშვნელობის მარცხნივ, ხოლო მეორე ნახევარი მარჯვნივაა.
2. პიკი საშუალო მნიშვნელობასთან: მრუდს აქვს პიკი საშუალო მნიშვნელობასთან და ექსპონენციურად მცირდება საშუალო მნიშვნელობიდან გადახვევისას.
3. მრუდის ქვეშ მთლიანი ფართობი: ნორმალური განაწილების მრუდის ქვეშ მთლიანი ფართობი 1-ის ტოლია, რაც წარმოადგენს მთლიან ალბათობას.
4. ემპირიული ნაკრები: მონაცემების დაახლოებით 68% საშუალო მნიშვნელობიდან ერთი სტანდარტული გადახრის ფარგლებშია, 95% - ორი სტანდარტული გადახრის ფარგლებში და 99.7% - სამი სტანდარტული გადახრის ფარგლებში. ეს ცნობილია, როგორც 68-95-99.7 წესი.
5. შეუზღუდავი: ასიმპტოტური ნორმალური განაწილების მრუდი, სადაც ის უახლოვდება, მაგრამ არასდროს ეხება, ჰორიზონტალურ ღერძს (x-ღერძი).
ნორმალური განაწილების აპლიკაციები
ნორმალურ განაწილებას ფართო გამოყენება აქვს სხვადასხვა სფეროში, აქ მოცემულია რამდენიმე მაგალითი:
1. სოციალური მეცნიერებები და ფსიქოლოგია
სოციალურ და ფსიქოლოგიურ კვლევებში ნორმალური განაწილება ხშირად გამოიყენება ისეთი მნიშვნელობების განაწილების აღსაწერად, როგორიცაა IQ, ტესტების ქულები და პიროვნული თვისებები. ვარაუდობენ, რომ ადამიანის მრავალი თვისება ნორმალურად არის განაწილებული, რაც მკვლევარებს სტატისტიკური ანალიზის ჩატარების საშუალებას აძლევს.
2. ეკონომიკა და ფინანსები
ეკონომიკასა და ფინანსურ ბაზრებზე ნორმალური განაწილების ვარაუდი გამოიყენება სხვადასხვა მოდელში რისკის, ინვესტიციების შემოსავლიანობისა და ბაზრის ცვალებადობის შესაფასებლად. ისეთი მოდელები, როგორიცაა ბლექ-შოულსის მოდელი, ნორმალურ განაწილებას იყენებენ ოფციონებისა და სხვა ფინანსური წარმოებულების ფასების დასადგენად.
3. საბუნებისმეტყველო მეცნიერებები და ინჟინერია
საბუნებისმეტყველო მეცნიერებებსა და ინჟინერიაში ნორმალური განაწილება გამოიყენება გაზომვის შეცდომებისა და ბუნებრივი მოვლენების მოდელირებისთვის. მაგალითად, ფიზიკაში ის ხშირად გამოიყენება ბრაუნის მოძრაობისა და ექსპერიმენტებში შეცდომების განაწილების აღსაწერად.
4. ხარისხის კონტროლი
წარმოების ინდუსტრიაში ნორმალური განაწილება გამოიყენება ხარისხის კონტროლის მეთოდებისთვის, როგორიცაა საკონტროლო დიაგრამები, რომლებიც ხელს უწყობენ იმის დადგენას, არის თუ არა წარმოების პროცესი დასაშვებ ფარგლებში ან საჭიროებს თუ არა კორექტირებას.
ნორმალური განაწილების იმპლემენტაცია მონაცემთა ანალიზში
მონაცემთა ანალიზში ნორმალური განაწილების დანერგვისთვის, თქვენ უნდა გესმოდეთ, თუ როგორ გამოვთვალოთ ალბათობები და როგორ სტანდარტიზაცია გაუკეთოთ მონაცემებს. სტანდარტიზაცია ხელს უწყობს სხვადასხვა ნორმალური განაწილების მონაცემების შედარებას.
Z-ქულა
Z-ქულა, ანუ სტანდარტული გადახრა, არის ტექნიკა, რომელიც ხშირად გამოიყენება იმის გასაზომად, თუ რამდენად არის მნიშვნელობა (x) დაშორებული საშუალო მნიშვნელობიდან სტანდარტული გადახრის ერთეულებში. Z-ქულა გამოითვლება ფორმულის გამოყენებით:
\[ Z = \frac{(X – \mu)}{\sigma} \]
ეს Z-ქულის მნიშვნელობა შემდეგ შეიძლება გამოყენებულ იქნას სტანდარტული ნორმალური განაწილების (საშუალო=0 და სტანდარტული გადახრა=1) ალბათობის ან პროცენტილის მოსაძებნად Z ცხრილის ან სტატისტიკური პროგრამული უზრუნველყოფის გამოყენებით.
QQ გრაფიკი
QQ (კვანტილ-კვანტილური) დიაგრამა არის გრაფიკული ინსტრუმენტი, რომელიც გამოიყენება იმის შესაფასებლად, მიჰყვება თუ არა მონაცემთა ერთობლიობა კონკრეტულ განაწილებას, მაგალითად, ნორმალურ განაწილებას. თუ მონაცემები მიჰყვება ნორმალურ განაწილებას, QQ დიაგრამაზე წერტილები სწორ ხაზს შექმნის.
ნორმალურობის ტესტი
მონაცემებში ნორმალურობის შესამოწმებლად რამდენიმე სტატისტიკური ტესტი არსებობს, მათ შორის კოლმოგოროვ-სმირნოვის ტესტი, შაპირო-ვილკის ტესტი და ანდერსონ-დარლინგის ტესტი. ეს ტესტები გვეხმარება იმის დადგენაში, მიჰყვება თუ არა პოპულაციის თავდაპირველი მონაცემები ნორმალურ განაწილებას.
რეალური მაგალითი
ნორმალური განაწილების იმპლემენტაციის გასაგებად, განვიხილოთ რეალური მაგალითი. დავუშვათ, რომ გვაქვს 1000 სტუდენტის ტესტის ქულების მონაცემები 70 საშუალო ქულით და 10 სტანდარტული გადახრით.
ალბათობის გამოთვლა
ჩვენ გვინდა ვიცოდეთ სტუდენტის მიერ 60-დან 80-მდე ქულის მიღების ალბათობა. პირველ რიგში, ჩვენ ვიანგარიშებთ 60-ისა და 80-ის Z-ქულას.
\[ Z_{60} = \ფრაკი{60 – 70}{10} = -1 \]
\[ Z_{80} = \ფრაკ{80 - 70}{10} = 1 \]
Z-ცხრილის გამოყენებით ვხვდებით, რომ Z <= -1-ის ალბათობა 0.1587-ია, ხოლო Z <= 1-ის ალბათობა 0.8413. 60-დან 80-მდე ქულის ალბათობის საპოვნელად, ვაკლებთ ამ ორ ალბათობას: \[ P(60 <= X <= 80) = P(Z <= 1) - P(Z <= -1) = 0.8413 - 0.1587 = 0.6826 \] ამგვარად, სტუდენტის მიერ 60-დან 80-მდე ქულის მიღების ალბათობა დაახლოებით 68.26%-ია. QQ დიაგრამის შექმნა სტატისტიკური პროგრამული უზრუნველყოფის, როგორიცაა R ან Python, გამოყენებით, შეგვიძლია შევქმნათ QQ დიაგრამა ჩვენი ტესტის ქულის მონაცემებისთვის. თუ ჩვენი რეალური ტესტის ქულის მონაცემები ნორმალურ განაწილებას მიჰყვება, მაშინ დიაგრამაზე წერტილები სწორ ხაზს შექმნის. ნორმალურობის ტესტირება და ბოლოს, შეგვიძლია ჩავატაროთ შაპირო-ვილკის ტესტი იმის შესამოწმებლად, მიჰყვება თუ არა ჩვენი ტესტის ქულის მონაცემები ნორმალურ განაწილებას. სტატისტიკური პროგრამული უზრუნველყოფის გამოყენებით, ჩვენ შეგვიძლია მარტივად მივიღოთ p-მნიშვნელობა ამ ტესტისთვის. თუ p-მნიშვნელობა მეტია მნიშვნელობის დონეზე (ჩვეულებრივ 0.05), ჩვენ ვერ უარვყოფთ ნულოვან ჰიპოთეზას, რომ ჩვენი მონაცემები ნორმალურია. დასკვნა ნორმალური განაწილების ფუნქცია სტატისტიკური ანალიზის ხერხემალია და ფართო გამოყენება აქვს სხვადასხვა დისციპლინაში. განაწილების ძირითადი მახასიათებლები - სიმეტრია, საშუალოზე პიკის მიღწევა და 68-95-99.7 წესი - მას იდეალურს ხდის მონაცემთა მრავალი ტიპის ანალიზისთვის. ნორმალური განაწილების მუშაობისა და მონაცემთა ანალიზში მისი განხორციელების გაგებით, მკვლევარებსა და პროფესიონალებს შეუძლიათ თავიანთი მონაცემებიდან ძლიერი და ზუსტი დასკვნების გაკეთება. იქნება ეს ფინანსური რისკების პროგნოზირება, ფსიქოლოგიური თვისებების შეფასება თუ წარმოების ხარისხის კონტროლი, ნორმალური განაწილება გვთავაზობს ძლიერ ჩარჩოს რთული სისტემებისთვის დამახასიათებელი ცვალებადობის გასაგებად და გასაანალიზებლად.
