ნორმალური განაწილების ფორმულა სტატისტიკაში

# ნორმალური განაწილების ფორმულა სტატისტიკაში

ნორმალური განაწილება, ასევე ცნობილი როგორც გაუსის განაწილება ან ზარისებრი მრუდი, სტატისტიკის ერთ-ერთი ყველაზე ფუნდამენტური კონცეფციაა. მისი არსებობა ხშირად განიხილება სხვადასხვა სტატისტიკური და ალბათური ანალიზის საფუძვლად. ეს განაწილება ხშირად გამოიყენება არა მხოლოდ თეორიაში, არამედ სხვადასხვა პრაქტიკულ გამოყენებაშიც, როგორიცაა ფინანსური რისკების მართვა, სოციალური მეცნიერებები, მედიცინა და სხვა.

## ნორმალური განაწილების განმარტება

ნორმალური განაწილება არის უწყვეტი ალბათური განაწილება, რომელიც სიმეტრიულია მისი საშუალო მნიშვნელობის მიმართ. სხვა სიტყვებით რომ ვთქვათ, ამ განაწილების გრაფიკული დიაგრამა შექმნის ზარისებრ მრუდს, რომელიც ფართოვდება საშუალო მნიშვნელობის მიდამოში და ვიწროვდება კუდების მიდამოებში. ამ განაწილებას აქვს ორი ძირითადი პარამეტრი: საშუალო (μ) და სტანდარტული გადახრა (σ).

საშუალო მნიშვნელობა განსაზღვრავს განაწილების ცენტრის მდებარეობას, ხოლო სტანდარტული გადახრა ზომავს, თუ რამდენად არის მონაცემები გავრცელებული საშუალო მაჩვენებლის გარშემო. რაც უფრო დიდია სტანდარტული გადახრა, მით უფრო ფართო და მოკლეა განაწილების მრუდი; რაც უფრო პატარაა სტანდარტული გადახრა, მით უფრო ვიწრო და ციცაბოა მრუდი.

## ალბათობის სიმკვრივის ფუნქცია

ნორმალური განაწილების ალბათობის სიმკვრივის ფუნქციას (pdf) აქვს შემდეგი მათემატიკური ფორმა:

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

აქ:
– \(x \) შემთხვევითი ცვლადია.
– \( \mu \) განაწილების საშუალოა.
– \( \sigma \) არის განაწილების სტანდარტული გადახრა.
– \(e \) არის ბუნებრივი ლოგარითმის ფუძე, დაახლოებით 2.71828.

ზემოთ მოცემული ფუნქცია ქმნის სიმეტრიულ ზარისებრ მრუდს. ამ ფუნქციის ორ წერტილს შორის ინტეგრალი იძლევა იმის ალბათობას, რომ შემთხვევითი ცვლადი ამ ორ მნიშვნელობას შორის მდებარეობს.

## სტანდარტული ნორმალური განაწილება

სტანდარტული ნორმალური განაწილება არის ნორმალური განაწილება საშუალოთი (\mu = 0\) და სტანდარტული გადახრით (\sigma = 1\). სტანდარტული ნორმალური განაწილების ალბათობის სიმკვრივის ფუნქციაა:

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

აქ:
– \(z \) არის შემთხვევითი ცვლადი, რომელიც მიჰყვება სტანდარტულ ნორმალურ განაწილებას.

სტანდარტული ნორმალური განაწილება ხშირად გამოიყენება, რადგან ის საშუალებას გვაძლევს სტანდარტიზაცია გავუკეთოთ სხვა ნორმალურ განაწილებებს „სტანდარტიზაციის“ სახელით ცნობილი პროცესის მეშვეობით. სტანდარტიზაცია გულისხმობს ნორმალური განაწილების x (N(mu, sigma)) მნიშვნელობების N(0, 1) z მნიშვნელობებად გარდაქმნას შემდეგი ფორმულის გამოყენებით:

\[ z = \frac{x – \mu}{\sigma} \]

ეს პროცესი აადვილებს სხვადასხვა ნორმალური განაწილების მნიშვნელობების შედარებას მათი ერთ მასშტაბზე გადატანით.

## გამოყენება და შესაბამისობა

### 1. ცენტრალური ზღვრული თეორემა

ნორმალური განაწილება განსაკუთრებით აქტუალურია ცენტრალური ზღვრული თეორემის (CLT) კონტექსტში. CLT აცხადებს, რომ დამოუკიდებელი შემთხვევითი ცვლადების საკმარისად დიდი რაოდენობა დაახლოებით ნორმალურად იქნება განაწილებული, თავდაპირველი განაწილების ფორმის მიუხედავად. ეს ნიშნავს, რომ ნორმალური განაწილების გამოყენება შესაძლებელია ნიმუშის საშუალო განაწილების მიახლოებითი გამოსათვლელად, იმ პირობით, რომ ნიმუში საკმარისად დიდია.

### 2. სტატისტიკური დასკვნა

ნორმალური განაწილება ჰიპოთეზური ტესტების, როგორიცაა z-ტესტი და t-ტესტი, გამოყენების საშუალებას იძლევა. ორივე მეთოდი იყენებს სტანდარტულ ნორმალურ განაწილებას დაკვირვებული შედეგების სტატისტიკური მნიშვნელობის დასადგენად. z-ტესტი, როგორც წესი, გამოიყენება მაშინ, როდესაც ნიმუშის ზომა დიდია ან პოპულაციის სტანდარტული გადახრა ცნობილია, ხოლო t-ტესტი გამოიყენება მაშინ, როდესაც ნიმუშის ზომა მცირეა ან პოპულაციის სტანდარტული გადახრა უცნობია.

### 3. რეგრესიული ანალიზი

წრფივი რეგრესიის ანალიზში გადამწყვეტი მნიშვნელობა აქვს იმ დაშვებას, რომ შეცდომის მონაცემები ნორმალურად არის განაწილებული. ეს დაშვება საშუალებას იძლევა გამოითვალოს ნდობის ინტერვალები და შემოწმდეს რეგრესიული მოდელის პარამეტრების მნიშვნელობა. ანალოგიურად, მონაცემთა შეცდომების ან გამონაკლისების აღმოჩენა ხშირად ხდება ნარჩენი განაწილების შესწავლით ნორმალობიდან მნიშვნელოვანი გადახრების დასადგენად.

### 4. მედიცინა და ბიოლოგია

მედიცინაში ნორმალური განაწილება გამოიყენება სხვადასხვა ბიოლოგიური ფენომენის განაწილების აღსაწერად. მაგალითად, სიმაღლე, არტერიული წნევა და გარკვეული ლაბორატორიული ტესტების შედეგები ხშირად ნორმალურ განაწილებას მიჰყვება. ეს ხელს უწყობს სამედიცინო დიაგნოზებისთვის ზღვრული მნიშვნელობების განსაზღვრას.

### 5. ფინანსები და ეკონომიკა

ფინანსებში ნორმალური განაწილება გამოიყენება მრავალი ფენომენის მოდელირებისთვის, როგორიცაა აქციების შემოსავლიანობა, საპროცენტო განაკვეთები და სხვა. მიუხედავად იმისა, რომ პრაქტიკაში აქციები ხშირად ავლენენ უფრო მაღალ ასიმეტრიას და კურტოზს, ნორმალური განაწილების დაშვება მაინც უზრუნველყოფს მყარ ანალიტიკურ საფუძველს.

## განხორციელება და გაანგარიშება

### Python-ის გამოყენება

Python, ისეთი ბიბლიოთეკებით, როგორიცაა NumPy და SciPy, ნორმალურ განაწილებასთან მუშაობის რამდენიმე მეთოდს გვთავაზობს. აქ მოცემულია მაგალითი, თუ როგორ შეგვიძლია ნორმალური განაწილების განზოგადება და ასახვა ამ ბიბლიოთეკების გამოყენებით:

„პითონი
იმპორტი numpy როგორც np
იმპორტი matplotlib.pyplot როგორც plt
scipy.stats იმპორტის ნორმიდან

# ნორმალური განაწილების პარამეტრები
mu = 0 # საშუალო
სიგმა = 1 # სტანდარტული გადახრა

# მონაცემები ნორმალური განაწილებისთვის
x = np.linspace(-5, 5, 1000)
y = norm.pdf(x, mu, sigma)

# ნორმალური განაწილების დიაგრამა
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('სიმკვრივე')
plt.title('ნორმალური განაწილება N(0, 1)')
plt.show ()
""

ზემოთ მოცემულ მაგალითში, ჩვენ შევქმენით ნორმალური განაწილების მონაცემები საშუალო მნიშვნელობით 0 და სტანდარტული გადახრით 1, შემდეგ კი მისი ალბათობის სიმკვრივის ფუნქცია ავაგეთ.

## დასკვნა

ნორმალური განაწილება გადამწყვეტ როლს ასრულებს სტატისტიკასა და ალბათობაში. მისი უნივერსალური გამოყენება, ცენტრალური ზღვრული თეორემიდან დაწყებული სხვადასხვა პრაქტიკული გამოყენებით, როგორიცაა რეგრესიული ანალიზი და ჰიპოთეზის ტესტირება, მას ერთ-ერთ ყველაზე პოპულარულ და მნიშვნელოვან ალბათურ განაწილებად აქცევს. ნორმალური განაწილების ფორმულის გაგება და მისი ეფექტურად გამოყენება აუცილებელი უნარია მონაცემთა მეცნიერებაში, კვლევაში, ეკონომიკასა და მრავალ სხვა სფეროში მომუშავე ნებისმიერი ადამიანისთვის.

ამ ცოდნით, ჩვენ შეგვიძლია უფრო ეფექტურად მივუდგეთ და გადავჭრათ სხვადასხვა ტიპის ანალიტიკური პრობლემები, რაც საშუალებას მოგვცემს, მივიღოთ უკეთესი გადაწყვეტილებები არსებული მონაცემებისა და ალბათობების საფუძველზე.