# Formula distribuției normale în statistică
Distribuția normală, cunoscută și sub numele de distribuție gaussiană sau curbă clopot, este unul dintre cele mai fundamentale concepte din statistică. Existența sa este adesea considerată fundamentul diferitelor analize statistice și probabilistice. Această distribuție este frecvent utilizată nu doar în teorie, ci și în diverse aplicații practice, cum ar fi managementul riscului financiar, științele sociale, medicina și multe altele.
## Definiția distribuției normale
Distribuția normală este o distribuție de probabilitate continuă, simetrică față de media sa. Cu alte cuvinte, o reprezentare grafică a acestei distribuții va forma o curbă clopot care se lărgește la medie și se îngustează la extremități. Această distribuție are doi parametri principali: media (μ) și deviația standard (σ).
Media determină locația centrului distribuției, în timp ce abaterea standard măsoară cât de dispersate sunt datele în jurul mediei. Cu cât abaterea standard este mai mare, cu atât curba distribuției este mai lată și mai scurtă; cu cât abaterea standard este mai mică, cu atât curba este mai îngustă și mai abruptă.
## Funcția densității de probabilitate
Funcția densității de probabilitate (pdf) pentru distribuția normală are următoarea formă matematică:
\[ f(x | μ, σ) = \frac{1}{\sigma \sqrt{2π}} e^{ -\frac{(x - μ)^2}{2\sigma^2} } \]
Aici:
– \(x \) este o variabilă aleatoare.
– \( \mu \) este media distribuției.
– \( \sigma \) este abaterea standard a distribuției.
– \(e \) este baza logaritmului natural, aproximativ 2.71828.
Funcția de mai sus creează o curbă clopotniță simetrică. Integrala acestei funcții între două puncte dă probabilitatea ca variabila aleatoare să se afle între aceste două valori.
## Distribuție normală standard
Distribuția normală standard este o distribuție normală cu medie μ = 0 și deviație standard σ = 1. Funcția densității de probabilitate pentru distribuția normală standard este:
\[ f(z) = \frac{1}{\sqrt{2 \pi}} e^{ -\frac{z^2}{2} } \]
Aici:
– \(z\) este o variabilă aleatoare care urmează o distribuție normală standard.
Distribuția normală standard este adesea utilizată deoarece ne permite să standardizăm alte distribuții normale printr-un proces numit „standardizare”. Standardizarea implică transformarea valorilor \(x\) ale distribuției normale \(N(\mu, \sigma)\) în valorile \(z\) ale distribuției normale standard \(N(0, 1)\), folosind următoarea formulă:
\[ z = \frac{x – \mu}{\sigma} \]
Acest proces facilitează compararea valorilor din diferite distribuții normale prin maparea lor la o singură scală.
## Aplicație și relevanță
### 1. Teorema Limitei Centrale
Distribuția normală este deosebit de relevantă în contextul Teoremei Limitei Centrale (TCC). TCC afirmă că un număr suficient de mare de variabile aleatoare independente vor avea o distribuție aproximativ normală, indiferent de forma distribuției inițiale. Aceasta înseamnă că distribuția normală poate fi utilizată pentru a aproxima distribuția mediei eșantionului, atâta timp cât eșantionul este suficient de mare.
### 2. Inferență statistică
Distribuția normală permite aplicarea testelor de ipoteză, cum ar fi testul z și testul t. Ambele metode utilizează distribuția normală standard pentru a determina semnificația statistică a rezultatelor observate. Testul z este de obicei utilizat atunci când dimensiunea eșantionului este mare sau abaterea standard a populației este cunoscută, în timp ce testul t este aplicat atunci când dimensiunea eșantionului este mică sau abaterea standard a populației este necunoscută.
### 3. Analiza de regresie
În analiza de regresie liniară, presupunerea că datele de eroare au o distribuție normală este crucială. Această presupunere permite calcularea intervalelor de încredere și testarea semnificației parametrilor modelului de regresie. De asemenea, detectarea erorilor de date sau a valorilor aberante se face adesea prin examinarea distribuției reziduale pentru abateri semnificative de la normalitate.
### 4. Medicină și biologie
În medicină, distribuția normală este utilizată pentru a descrie distribuția diferitelor fenomene biologice. De exemplu, înălțimea, tensiunea arterială și anumite rezultate ale testelor de laborator urmează adesea o distribuție normală. Acest lucru facilitează determinarea valorilor limită pentru diagnosticele medicale.
### 5. Finanțe și economie
În finanțe, distribuția normală este utilizată pentru a modela numeroase fenomene, cum ar fi randamentele acțiunilor, ratele dobânzilor și multe altele. Deși, în practică, acțiunile prezintă adesea o asimetrie și o kurtoză mai mari, ipoteza unei distribuții normale oferă totuși o bază analitică solidă.
## Implementare și Calcul
### Folosind Python
Python, cu biblioteci precum NumPy și SciPy, oferă mai multe metode pentru lucrul cu distribuția normală. Iată un exemplu despre cum putem generaliza și reprezenta grafic distribuția normală folosind aceste biblioteci:
„`python
import numpy ca np
import matplotlib.pyplot ca plt
din scipy.stats import norm
# Parametrii distribuției normale
mu = 0 # medie
sigma = 1 # deviația standard
# Date pentru distribuție normală
x = np.linspace(-5, 5, 1000)
y = norm.pdf(x, mu, sigma)
# Diagrama distribuției normale
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('Densitate')
plt.title('Distribuție normală N(0, 1)')
plt.show ()
„`
În exemplul de mai sus, am generat date de distribuție normală cu medie 0 și deviație standard 1, apoi am reprezentat grafic funcția densității de probabilitate.
## Concluzie
Distribuția normală joacă un rol crucial în statistică și probabilități. Utilizarea sa universală, de la Teorema Limitei Centrale la diverse aplicații practice, cum ar fi analiza de regresie și testarea ipotezelor, o face una dintre cele mai populare și importante distribuții de probabilitate. Înțelegerea formulei distribuției normale și a modului de utilizare eficientă a acesteia este o abilitate esențială pentru oricine lucrează în știința datelor, cercetare, economie și multe alte domenii.
Cu aceste cunoștințe, putem aborda și rezolva mai eficient diverse tipuri de probleme analitice, permițându-ne să luăm decizii mai bune pe baza datelor și probabilităților disponibile.
