Нормалдуу бөлүштүрүү функциясы

Нормалдуу бөлүштүрүү функциясы

Нормалдуу бөлүштүрүү функциясы статистика жана ыктымалдуулук теориясындагы негизги түшүнүк болуп саналат жана экономикадан баштап коомдук илимдерге, физикага жана инженерияга чейинки тармактарда маанилүү ролду ойнойт. Бул функция абдан маанилүү, анткени ал көптөгөн реалдуу жашоо кубулуштарынын табигый бөлүштүрүлүшүн сүрөттөйт. Бул макалада нормалдуу бөлүштүрүү функциясы, анын мүнөздөмөлөрү, колдонулушу жана маалыматтарды талдоодо кантип колдонуу керектиги терең талкууланат.

Нормалдуу бөлүштүрүү функциясы деген эмне?

Нормалдуу бөлүштүрүү, ошондой эле Гаусс бөлүштүрүүсү деп да аталат, статистикада эң кеңири таралган ыктымалдуулук бөлүштүрүүсү болуп саналат. Анын ийри сызыгы коңгуроо сымал жана орточо мааниге карата симметриялуу. Бул бөлүштүрүү "нормалдуу" деп аталат, анткени көп көлөмдөгү маалыматтар чогултулганда көптөгөн реалдуу жашоодогу кокустук чоңдуктар ушул бөлүштүрүүгө жакындашат.

Нормалдуу бөлүштүрүү функциясы эки параметр менен аныкталат: орточо маани (μ) жана стандарттык четтөө (σ). Орточо маани бөлүштүрүүнүн борборун аныктайт, ал эми стандарттык четтөө ийри сызыктын туурасын жана формасын аныктайт. Бул функция төмөнкү математикалык формула менен берилет:

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

Кайда:
– \( x \) кокустук өзгөрмө
– \( \mu \) орточо маани
– \( \sigma \) стандарттык четтөө болуп саналат
– \( \pi \) – бул пи туруктуусу (болжол менен 3.14159)
– \( e \) натуралдык логарифмдин негизи (болжол менен 2.71828)

Нормалдуу бөлүштүрүүнүн мүнөздөмөлөрү

Нормалдуу бөлүштүрүүнүн башка ыктымалдуулук бөлүштүрүүлөрүнөн айырмалап турган бир нече өзгөчөлүктөрү бар:

1. Симметриялуу: Нормалдуу бөлүштүрүү орточо мааниге карата симметриялуу. Бул маалыматтардын жарымы орточо маанинин сол жагында, ал эми экинчи жарымы оң жагында жайгашканын билдирет.

2. Орточо маанидеги чоку: Ийри сызыктын орточо маанидеги чокусу бар жана ал орточо мааниден алыстаган сайын экспоненциалдуу түрдө азаят.

3. Ийри сызыктын астындагы жалпы аянт: Нормалдуу бөлүштүрүү ийри сызыгынын астындагы жалпы аянт 1ге барабар, ал жалпы ыктымалдуулукту билдирет.

4. Эмпирикалык топтом: Маалыматтардын болжол менен 68% орточо мааниден бир стандарттык четтөөнүн чегинде, 95% эки стандарттык четтөөнүн чегинде жана 99.7% үч стандарттык четтөөнүн чегинде. Бул 68-95-99.7 эрежеси катары белгилүү.

5. Чексиз: Горизонталдык огу (x огу) менен байланышпаган, бирок ага жакындаган асимптотикалык нормалдуу бөлүштүрүү ийри сызыгы.

Нормалдуу бөлүштүрүү колдонмолору

Нормалдуу бөлүштүрүү ар кандай тармактарда кеңири колдонулат, бул жерде бир нече мисалдар келтирилген:

1. Коомдук илимдер жана психология
Социалдык жана психологиялык изилдөөлөрдө нормалдуу бөлүштүрүү көбүнчө IQ, тест упайлары жана инсандык сапаттары сыяктуу баалуулуктардын бөлүштүрүлүшүн сүрөттөө үчүн колдонулат. Адамдын көптөгөн сапаттары нормалдуу бөлүштүрүлгөн деген божомол бар, бул изилдөөчүлөргө статистикалык анализ жүргүзүүгө мүмкүндүк берет.

2. Экономика жана каржы
Экономикада жана каржы рынокторунда нормалдуу бөлүштүрүү божомолу тобокелдикти, инвестициялык кирешелүүлүктү жана рыноктун туруксуздугун баалоо үчүн ар кандай моделдерде колдонулат. Блэк-Шоулз модели сыяктуу моделдер нормалдуу бөлүштүрүүнү баа опциондоруна жана башка каржылык туундуларга колдонот.

3. Табигый илимдер жана инженерия
Табигый илимдерде жана инженерияда нормалдуу бөлүштүрүү өлчөө каталарын жана жаратылыш кубулуштарын моделдөө үчүн колдонулат. Мисалы, физикада ал көбүнчө Броун кыймылын жана эксперименттердеги каталардын бөлүштүрүлүшүн сүрөттөө үчүн колдонулат.

4. Сапатты көзөмөлдөө
Өндүрүш өнөр жайында нормалдуу бөлүштүрүү өндүрүш процесси жол берилген чектерде экенин же тууралоо керек экенин аныктоого жардам берген башкаруу диаграммалары сыяктуу сапатты көзөмөлдөө ыкмалары үчүн колдонулат.

Маалыматтарды талдоодо нормалдуу бөлүштүрүүнү ишке ашыруу

Маалыматтарды талдоодо нормалдуу бөлүштүрүүнү ишке ашыруу үчүн, сиз ыктымалдуулуктарды кантип эсептөөнү жана маалыматтарды кантип стандартташтырууну түшүнүшүңүз керек. Стандартташтыруу ар кандай нормалдуу бөлүштүрүүлөрдөн алынган маалыматтарды салыштырууга жардам берет.

Z-Score

Z-балл же стандарттык четтөө – бул (x) маанинин стандарттык четтөө бирдиктериндеги орточо мааниден канчалык алыс экенин өлчөө үчүн көп колдонулган ыкма. Z-балл төмөнкү формула боюнча эсептелет:

\[ Z = \frac {(X - \mu)}}\sigma} \]

Бул Z-балл мааниси андан кийин Z таблицасын же статистикалык программалык камсыздоону колдонуп, стандарттуу нормалдуу бөлүштүрүүнүн (орточо = 0 жана стандарттык четтөө = 1) ыктымалдуулугун же пайызын табуу үчүн колдонулушу мүмкүн.

QQ сюжети

QQ (Quantile-Quantile) графиги – бул маалыматтар топтому белгилүү бир бөлүштүрүүнү, мисалы, нормалдуу бөлүштүрүүнү ээрчийби же жокпу, баалоо үчүн графикалык курал. Эгерде маалыматтар нормалдуу бөлүштүрүүнү ээрчисе, QQ графигиндеги чекиттер түз сызык түзөт.

Нормалдуулук тести

Маалыматтардын нормалдуулугун текшерүү үчүн колдонула турган бир нече статистикалык тесттер бар, анын ичинде Колмогоров-Смирнов тести, Шапиро-Уилк тести жана Андерсон-Дарлинг тести. Бул тесттер баштапкы популяция маалыматтары нормалдуу бөлүштүрүүгө ылайык келерин аныктоого жардам берет.

Чыныгы мисал

Нормалдуу бөлүштүрүүнү ишке ашырууну тактоо үчүн, реалдуу дүйнөдөгү мисалды карап көрөлү. Мисалы, бизде орточо мааниси 70 жана стандарттык четтөөсү 10 болгон 1000 окуучунун тест упайларынын маалыматтары бар дейли.

Ыктымалды эсептөө

Биз окуучунун 60 жана 80 ортосунда упай алуу ыктымалдыгын билгибиз келет. Алгач, биз 60 жана 80 үчүн Z-упайын эсептейбиз.

\[ Z_{60} = \frac{60 – 70}{10} = -1 \]
\[ Z_{80} = \frac{80 – 70}{10} = 1 \]

Z-таблицасын колдонуп, Z <= -1 ыктымалдуулугу 0.1587 жана Z <= 1 ыктымалдуулугу 0.8413 экенин аныктайбыз. 60 жана 80 ортосундагы упайдын ыктымалдуулугун табуу үчүн, бул эки ыктымалдуулукту кемитебиз: \[ P(60 <= X <= 80) = P(Z <= 1) - P(Z <= -1) = 0.8413 - 0.1587 = 0.6826 \] Демек, студенттин 60 жана 80 ортосундагы упай алуу ыктымалдуулугу болжол менен 68.26% түзөт. QQ графигин түзүү R же Python сыяктуу статистикалык программалык камсыздоону колдонуп, биз тест упайларыбыздын маалыматтары үчүн QQ графигин түзө алабыз. Эгерде биздин чыныгы тест упайларыбыздын маалыматтары нормалдуу бөлүштүрүүгө туура келсе, анда графиктеги чекиттер түз сызык түзөт. Нормалдуулукту текшерүү Акырында, биз тест упайларыбыздын маалыматтары нормалдуу бөлүштүрүүгө туура келерин текшерүү үчүн Шапиро-Уилк тестин иштете алабыз. Статистикалык программалык камсыздоону колдонуу менен, биз бул тест үчүн p-маанисин оңой эле ала алабыз. Эгерде p-мааниси маанилүүлүк деңгээлинен (адатта 0.05) жогору болсо, биз маалыматтарыбыздын нормалдуу экендиги жөнүндөгү нөлдүк гипотезаны четке кага албайбыз. Корутунду Нормалдуу бөлүштүрүү функциясы статистикалык анализдин негизи болуп саналат жана ар кандай тармактарда кеңири колдонулат. Бөлүштүрүүнүн негизги мүнөздөмөлөрү — симметрия, орточо мааниге жеткенде чокуга жетүү жана 68-95-99.7 эрежеси — аны маалыматтарды талдоонун көптөгөн түрлөрү үчүн идеалдуу кылат. Нормалдуу бөлүштүрүү кандайча иштээрин жана аны маалыматтарды талдоодо кантип колдонууну түшүнүү менен, изилдөөчүлөр жана адистер өз маалыматтарынан күчтүү жана так тыянактарды чыгара алышат. Каржылык тобокелдиктерди алдын ала айтуу, психологиялык өзгөчөлүктөрдү баалоо же өндүрүш сапатын көзөмөлдөө болобу, нормалдуу бөлүштүрүү татаал системаларга мүнөздүү болгон өзгөрмөлүүлүктү түшүнүү жана талдоо үчүн күчтүү алкакты сунуштайт.