# Статистикадагы нормалдуу бөлүштүрүү формуласы
Нормалдуу бөлүштүрүү, ошондой эле Гаусс бөлүштүрүүсү же коңгуроо ийри сызыгы деп да аталат, статистикадагы эң негизги түшүнүктөрдүн бири болуп саналат. Анын бар болушу көп учурда ар кандай статистикалык жана ыктымалдуулук анализдеринин негизи деп эсептелет. Бул бөлүштүрүү теорияда гана эмес, ошондой эле каржылык тобокелдиктерди башкаруу, социалдык илимдер , медицина жана башка көптөгөн практикалык колдонмолордо көп колдонулат.
## Нормалдуу бөлүштүрүүнүн аныктамасы
Нормалдуу бөлүштүрүү – бул орточо маанисине карата симметриялуу болгон үзгүлтүксүз ыктымалдуулук бөлүштүрүүсү . Башкача айтканда, бул бөлүштүрүүнүн графикалык графиги орточо мааниде кеңейип, куйруктарында тарып бараткан коңгуроо ийри сызыгын түзөт. Бул бөлүштүрүүнүн эки негизги параметри бар: орточо маани (μ) жана стандарттык четтөө (σ).
Орточо маани бөлүштүрүүнүн борборунун жайгашкан жерин аныктайт, ал эми стандарттык четтөө маалыматтардын орточо маанинин айланасында канчалык жайылганын өлчөйт. Стандарттык четтөө канчалык чоң болсо, бөлүштүрүү ийри сызыгы ошончолук кең жана кыска болот; стандарттык четтөө канчалык кичине болсо, ийри сызык ошончолук кууш жана тик болот.
## Ыктымалдуулук тыгыздыгы функциясы
Нормалдуу бөлүштүрүү үчүн ыктымалдуулук тыгыздыгы функциясы (pdf) төмөнкү математикалык формага ээ:
\[ f(x | \mu, \sigma) = \frac{1}{\sigma \sqrt{2 \pi}} e^{ -\frac{(x-\mu)^2}{2\sigma^2} } \]
Бул жерде:
– (x) болуп саналат кокустук өзгөрмөлөр.
– \( \mu \) - бөлүштүрүүнүн орточо мааниси.
– \( \sigma \) - бөлүштүрүүнүн стандарттык четтөөсү.
– \( e \) натуралдык логарифмдин негизи болуп саналат, болжол менен 2.71828.
Жогорудагы функция симметриялуу коңгуроо ийри сызыгын түзөт. Бул функциянын эки чекиттин ортосундагы интегралы кокустук өзгөрмөнүн ошол эки маанинин ортосунда жайгашуу ыктымалдыгын берет.
## Стандарттык нормалдуу бөлүштүрүү
Стандарттык нормалдуу бөлүштүрүү – бул орточо мааниси \(\mu = 0 \) жана стандарттык четтөө \(\sigma = 1 \) болгон нормалдуу бөлүштүрүү. Стандарттык нормалдуу бөлүштүрүү үчүн ыктымалдуулук тыгыздыгынын функциясы:
\[ f(z) = \frac{1}{\sqrt{2 \pi}} e^{ -\frac{z^2}{2} } \]
Бул жерде:
– \(z \) стандарттуу нормалдуу бөлүштүрүүгө ылайык келген кокустук чоңдук.
Стандарттык нормалдуу бөлүштүрүү көп колдонулат, анткени ал бизге "стандартташтыруу" деп аталган процесс аркылуу башка нормалдуу бөлүштүрүүлөрдү стандартташтырууга мүмкүндүк берет. Стандартташтыруу төмөнкү формуланы колдонуп, нормалдуу бөлүштүрүүнүн (N(\mu, \sigma)) маанилерин (x \) стандарттык нормалдуу бөлүштүрүүнүн (N(0, 1)) маанилерине өзгөртүүнү камтыйт:
\[ z = \frac{x – \mu}{\sigma} \]
Бул процесс ар кандай нормалдуу бөлүштүрүүлөрдөн алынган маанилерди бир масштабга түшүрүү менен салыштырууну жеңилдетет.
## Колдонулушу жана актуалдуулугу
### 1. Борбордук чеги теоремасы
Нормалдуу бөлүштүрүү Борбордук Лимит Теоремасынын (CLT) контекстинде өзгөчө актуалдуу. CLT баштапкы бөлүштүрүүнүн формасына карабастан, жетиштүү сандагы көз карандысыз кокустук чоңдуктар болжол менен нормалдуу бөлүштүрүлөт деп айтат . Бул нормалдуу бөлүштүрүүнү үлгү жетиштүү чоң болсо , үлгүнүн орточо маанисинин бөлүштүрүлүшүн жакындатуу үчүн колдонсо болорун билдирет.
### 2. Статистикалык тыянак
Нормалдуу бөлүштүрүү z-тест жана t-тест сыяктуу гипотеза тесттерин колдонууга мүмкүндүк берет . Эки ыкма тең байкалган натыйжалардын статистикалык маанисин аныктоо үчүн стандарттуу нормалдуу бөлүштүрүүнү колдонот . z-тест, адатта, үлгүнүн көлөмү чоң болгондо же популяциянын стандарттык четтөөсү белгилүү болгондо колдонулат, ал эми t-тест үлгүнүн көлөмү кичинекей болгондо же популяциянын стандарттык четтөөсү белгисиз болгондо колдонулат.
### 3. Регрессиялык анализ
Сызыктуу регрессиялык анализде ката маалыматтары нормалдуу бөлүштүрүлгөн деген божомол абдан маанилүү. Бул божомол ишеним аралыктарын эсептөөгө жана регрессиялык моделдин параметрлеринин маанисин текшерүүгө мүмкүндүк берет. Ошо сыяктуу эле, маалыматтардын каталарын же четтөөлөрүн аныктоо көбүнчө калдык бөлүштүрүүнү нормалдуулуктан олуттуу четтөөлөрдү текшерүү аркылуу жүргүзүлөт.
### 4. Медицина жана биология
Медицинада нормалдуу бөлүштүрүү ар кандай биологиялык кубулуштардын бөлүштүрүлүшүн сүрөттөө үчүн колдонулат. Мисалы, бойдун узундугу, кан басымы жана айрым лабораториялык анализдердин жыйынтыктары көп учурда нормалдуу бөлүштүрүүгө ылайык келет. Бул медициналык диагноздор үчүн чектик маанилерди аныктоону жеңилдетет.
### 5. Финансы жана экономика
Финансыда нормалдуу бөлүштүрүү акциялардын кирешелүүлүгү, пайыздык чендер жана башкалар сыяктуу көптөгөн кубулуштарды моделдөө үчүн колдонулат. Иш жүзүндө акциялар көп учурда жогорку кыйшыктык жана куртозду көрсөтсө да, нормалдуу бөлүштүрүүнү болжолдоо дагы эле бекем аналитикалык негизди камсыз кылат.
## Ишке ашыруу жана эсептөө
### Python колдонуу
Python, NumPy жана SciPy сыяктуу китепканалары менен, нормалдуу бөлүштүрүү менен иштөөнүн бир нече ыкмаларын сунуштайт. Бул китепканаларды колдонуп, нормалдуу бөлүштүрүүнү кантип жалпылап жана графикке түшүрө аларыбыздын мисалы:
"`python
np катары импорттоо
matplotlib.pyplot файлын plt катары импорттоо
scipy.stats импорттун нормасынан
# Нормалдуу бөлүштүрүү параметрлери
mu = 0 # орточо
сигма = 1 # стандарттык четтөө
# Нормалдуу бөлүштүрүү үчүн маалыматтар
x = np.linspace(-5, 5, 1000)
y = norm.pdf(x, mu, sigma)
# Нормалдуу бөлүштүрүү графиги
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('Тыгыздык')
plt.title('Нормалдуу бөлүштүрүү N(0, 1)')
plt.show ()
""
Жогорудагы мисалда, биз орточо мааниси 0 жана стандарттык четтөөсү 1 болгон нормалдуу бөлүштүрүү маалыматтарын түздүк , андан кийин анын ыктымалдуулук тыгыздыгы функциясын түздүк.
## Жыйынтык
Нормалдуу бөлүштүрүү статистикада жана ыктымалдуулук теориясында чечүүчү ролду ойнойт. Анын Борбордук чектик теоремадан тартып регрессиялык анализ жана гипотезаларды текшерүү сыяктуу ар кандай практикалык колдонмолорго чейин универсалдуу колдонулушу аны эң популярдуу жана маанилүү ыктымалдуулук бөлүштүрүүлөрүнүн бирине айлантат. Нормалдуу бөлүштүрүү формуласын жана аны кантип натыйжалуу колдонууну түшүнүү маалымат таануу , изилдөө, экономика жана башка көптөгөн тармактарда иштеген ар бир адам үчүн маанилүү көндүм болуп саналат.
Бул билим менен биз ар кандай аналитикалык маселелерге натыйжалуураак мамиле кылып жана аларды чече алабыз, бул бизге жеткиликтүү маалыматтарга жана ыктымалдуулуктарга негизделген жакшыраак чечимдерди кабыл алууга мүмкүндүк берет.
