Закон нормального распределения, так называемый закон Гаусса - один из самых распространенных законов. Это фундаментальный закон в теории вероятностей и в ее применении. Нормальное распределение чаще всего встречается в изучении природных и социально-экономических явлений. Иначе говоря, большинство статистических совокупностей в природе и обществе подчиняется закону нормального распределения. Соответственно можно сказать, что совокупности большого числа крупных по объему выборок подчиняются закону нормального распределения. Те из совокупностей, которые отклоняются от нормального распределения в результате специальных преобразований, могут быть приближены к нормальному. В связи с этим следует помнить, что принципиальная особенность этого закона применительно к другим законам распределения заключается в том, что он является законом границы, к которой приближаются другие законы распределения в определенных (типовых) условиях.

Следует отметить, что термин "нормальное распределение" имеет условный смысл, как общепринятый в математической и статистико-математической литературе термин. Утверждение, что тот или иной признак любого явления подчиняется закону нормального распределения, вовсе не означает незыблемость норм, будто присущих исследуемому явлению, а отнесения последнего ко второму виду закона не означает какую-то анормальнисть данного явления. В этом смысле термин "нормальное распределение" не совсем удачен.

Нормальное распределение (закон Гаусса-Лапласа) является типом непрерывного распределения. Где Муавр (одна тысяча семьсот семьдесят три, Франция) вывел нормальный закон распределения вероятностей. Основные идеи этого открытия были использованы в теории ошибок впервые К. Гауссом (1809, Германия) и А.Лапласом (1812, Франция), которые внесли витчутний теоретический вклад в разработку самого закона. В частности, К. Гаусс в своих разработках исходил из признания наиболее вероятным значением случайной величины-среднюю арифметическую. Общие условия возникновения нормального распределения установил А.М.Ляпунова. Им было доказано, что если исследуемая признак представляет собой результат суммарного воздействия многих факторов, каждый из которых мало связан с большинством остальных, и влияние каждого фактора на конечный результат гораздо перекрывается суммарным воздействием всех остальных факторов, то распределение становится близким к нормальному.

Нормальным называют распределение вероятностей непрерывной случайной величины, имеет плотность:

1 +1 (& #) 2

/ (х, х, <т) = - ^ е 2 ст2

где х - математическое ожидание или средняя величина. Как видно, нормальное распределение определяется двумя параметрами: х и °. Чтобы задать нормальное распределение, достаточно знать математическое ожидание или среднее и среднее квадратическое отклонение. Эти две величины определяют центр группировки и форму

кривой на графике. График функции и (хх, в) называется нормальной кривой (кривая Гаусса) с параметрами х и в (рис. 12).

Кривая нормального распределения имеет точки перегиба при X ± 1. Если представить графически, то между X = + l и 1 = -1 находится 0,683 части всей площади кривой (т.е. 68,3%). В границах X = + 2 и X- 2. находятся 0,954 площади (95,4%), а между X = + 3 и X = - 3 - 0,997 части всей площади распределения (99,7%). На рис. 13 проиллюстрирован характер нормального распределения с одно-, двух- и трисигмовою границами.

При нормальном распределении средняя арифметическая, мода и медиана будут равны между собой. Форма нормальной кривой имеет вид одновершинные симметричной кривой, ветки которой асимптотически приближаются к оси абсцисс. Наибольшая ордината кривой соответствует х = 0. В этой точке на оси абсцисс размещается численное значение признаков, равное средней арифметической, моде и медиане. По обе стороны от вершины кривой ее ветки приходят, изменяя в определенных точках форму выпуклости на вогнутость. Эти точки симметричные и соответствуют значениям х = ± 1, то есть величинам признаки, отклонения которых от средней численно равна среднему квадратичному отклонению. Ордината, что соответствует средней арифметической, делит всю площадь между кривой и осью абсцисс пополам. Итак, вероятности появления значений исследуемого признака больших и меньших средней

арифметической будут равны 0,50, то есть х, (~ ^ х) = 0,50 В

Рис.12. Кривая нормального распределения (кривая Гаусса)

Форму и положение нормальной кривой обусловливают значение средней и среднего квадратичного отклонения. Математически доказано, что изменение величины среднего (математического ожидания) не изменяет формы нормальной кривой, а приводит лишь к ее смещение вдоль оси абсцисс. Кривая сдвигается вправо, если ~ растет, и влево, если ~ приходит.

Рис.14. Кривые нормального распределения с различными значениями параметра в

Об изменении формы графика нормальной кривой при изменении

среднего квадратичного отклонения можно судить по максимуму

дифференциальной функции нормального распределения, равный 1

Как видно, при росте величины ° максимальная ордината кривой будет уменьшаться. Следовательно, кривая нормального распределения будет сжиматься к оси абсцисс и принимать более плосковершинных форму.

И, наоборот, при уменьшении параметра в нормальная кривая вытягивается в положительном направлении оси ординат, а форма "колокола" становится более гостровершиною (рис. 14). Отметим, что независимо от величины параметров ~ и в площадь, ограниченная осью абсцисс и кривой, всегда равен единице (свойство плотности распределения). Это наглядно иллюстрирует график (рис. 13).

Названные выше особенности проявления "нормальности" распределения позволяют выделить ряд общих свойств, которые имеют кривые нормального распределения:

1) любой нормальный кривая достигает точки максимума (х = х) приходит непрерывно вправо и влево от него, постепенно приближаясь к оси абсцисс;

2) любой нормальный кривая симметрична по отношению к прямой,

параллельной оси ординат и проходит через точку максимума (х = х)

максимальная ордината равна ^^^ я;

3) любой нормальный кривая имеет форму "колокола", имеет выпуклость, которая направлена вверх к точке максимума. В точках х ~ ° и х + в она меняет выпуклость, и, чем меньше а, тем острее "колокол", а чем больше а, тем более похилишою становится вершина "колокола" (рис.14). Изменение математического ожидания (при неизменной величине

в) не приводит к модификации формы кривой.

При х = 0 и ° = 1 нормальную кривую называют нормированной кривой или нормальным распределением в каноническом виде.

Нормированная кривая описывается следующей формуле:

Построение нормальной кривой по эмпирическим данным производится по формуле:

пи 1 - "" = --- 7 = е

где и ™ - теоретическая частота каждого интервала (группы) распределения; "- Сумма частот, равную объему совокупности; "- шаг интервала;

же - отношение длины окружности к ее диаметру, которое составляет

е - основание натуральных логарифмов, равна 2,71828;

Вторая и третья части формулы) является функцией

нормированного отклонения ЦЧ), которую можно рассчитать для любых значений X. Таблицы значений ЦЧ) обычно называют "таблицы ординат нормальной кривой" (приложение 3). При использовании этих функций рабочая формула нормального распределения приобретает простого вида:

Пример. Рассмотрим случай построения нормальной кривой на примере данных о распределении 57 работников по уровню дневного заработка (табл. 42). По данным таблицы 42, находим среднюю арифметическую:

~ = ^ = И6 54 =

Рассчитываем среднее квадратическое отклонение:

Для каждой строки таблицы находим значение нормированного отклонения

х и ~ х | 12 г => - = - ^ 2 = 1.92

а 6.25 (дд Я первого интервала и т.д.).

В графе 8 табл. 42 записываем табличное значение функции Ди) из приложения, например, для первого интервала X = 1.92 находим "1,9" против "2" (0.0632).

Для вычисления теоретических частот, то есть ординат кривой нормального распределения, вычисляется множитель:

* = ^ = 36,5 а 6,25

Все найденные табличные значения функции / (г) умножаем на 36,5. Так, для первого интервала получаем 0,0632x36,5 = 2,31 т. Принято немногочисленные

частоты (п "<5) объединять (в нашем примере - первые два и последние два интервала).

Если крайние теоретические частоты значительно отличаются от нуля, расхождение между суммами эмпирических и теоретических частот может оказаться значительной.

График распределения эмпирических и теоретических частот (нормальная кривая) по данным рассматриваемого примера показано на рисунке 15.

Рассмотрим пример определения частот нормального распределения для случая, когда в крайних интервалах отсутствует частота (табл. 43). Здесь эмпирическая

X - нормированное отклонение, (в) а - среднее квадратическое отклонение.

частота первого интервала равна нулю. Полученная сумма неуточненных частот не равна сумме их эмпирических значений (56 * 57). В этом случае рассчитывается теоретическая частота для умывания полученных значений центра интервала, нормированного отклонения и его функции.

В таблице 43 эти величины обведено прямоугольником. При построении графика нормальной кривой в таких случаях теоретическую кривую продолжают. В рассматриваемом случае нормальная кривая будет продолжена в сторону отрицательных отклонений от средней, поскольку первая не уточнена частота равна 5. Рассчитана теоретическая частота (уточненная) для первого интервала будет равен единице. По сумме уточнены частоты совпадают с эмпирическими

Таблица 42

Расчетные величины

Статистические параметры

Интервал,

Количество единиц,

х) 2 n¡

нормированное отделения,

теоретическая частота нормального ряда распределения, / 0) х - а

>>

Тысяча шестьсот пятьдесят четыре

а = 6,25

^ i = 36,5 а

Таблица 43

Расчет частот нормального распределения (выравнивание эмпирических частот по нормальному закону)

Количество единиц,

Расчетные величины

Статистические параметры

Интервал (и-2)

Срединное значение (центр) интервала,

(je, -xf

^ x t -x) 1 n и

нормированное отклонение x s - х t = x --L

табличное значение функции, f (t)

теоретическая частота нормального ряда распределения

уточненное значение теоретической частоты,

ш

-

-

-

-

-

о = 2,41

Рис. 15. Эмпирический распределение (1) и нормальная кривая (2)

Кривую нормального распределения по исследуемой совокупности можно построить и другим способом (в отличие, от рассмотренного выше). Так, если необходимо иметь приближенную представление о соответствии фактического распределения нормальному, вычисления осуществляют следующим последовательности. Определяют максимальную ординату, которая соответствует среднему размеру признаки), затем, вычислив среднее квадратическое отклонение, рассчитывают координаты точек кривой нормального распределения по схеме, изложенной в таблицах 42 и 43. Так, по исходным и расчетным данным таблицы 43 должны среднюю ~ = 26 Эта величина средней совпадает с центром четвертого интервала (25-27). Итак, частота этого интервала "20" может быть принята (при построении графика) максимальной ординату). Имея исчисленную дисперсию (в = 2,41 см. Табл. 43), рассчитываем значения координат всех необходимых точек кривой нормального распределения (табл. 44, 45). По полученным координатам чертим нормальную кривую (рис. 16), приняв максимальной ординату частоту четвертого интервала.

Согласованность эмпирического распределения с нормальным может быть установлена также путем упрощенных расчетов. Так, если отношение показателя степени асимметрии (^) к своей середнеквадраты-ческой ошибки ш а "или отношение показателя эксцесса (Е х) к своей среднеквадратического ошибки т & превышает по абсолютной величине число« 3 », делается вывод о несоответствии эмпирического распределения характера нормального распределения (то есть,

А ц Е х

если ™ А> 3 или ш е "> 3).

Есть и другие, нетрудоемкие приемы установления "нормальности" распределения: а) сравнение средней арифметической с модой и медианой; б) использование цифр Вестергард; в) применение графического образа с помощью полулогарифмическая сетки Турбина; г) вычисление специальных критериев согласования и др.

Таблица 44

Координаты 7 точек кривой нормального распределения

Таблица 45

Вычисление координат точек кривой нормального распределения

	x - 1,5 (7 =	х - а = 23,6	х - 0,5 (7 = = 24,8		х + 0,5ст = 27,2	х + а = 28,4	X + 1,5 (7 =

Рис.16. Кривая нормального распределения, построенная по семи точках

На практике при исследовании совокупности на предмет согласования ее распределения с нормальным часто пользуются "правилом 3сг".

Математически доказано вероятность того, что отклонение от средней по абсолютной величине будет меньше тройного среднего квадратичного отклонения, равно 0,9973, то есть, вероятность того, что абсолютная величина отклонения превышает тройное среднее квадратическое отклонение, равна 0,0027 или очень мала. Исходя из принципа невозможности маловероятных событий, можно считать практически невозможным "случай превышения" 3 ст. Если случайная величина распределена нормально, то абсолютная величина ее отклонения от математического ожидания (средней) не превышает тройного среднего квадратичного отклонения.

В практических расчетах действуют таким образом. Если при неизвестном характере распределения исследуемой случайной величины рассчитанное значение отклонения от средней окажется меньше значения 3 СТ, то есть основания полагать, что исследуемая признак распределена нормально. Если же указанный параметр превысит числовое значение 3 СТ, можно считать, что распределение исследуемой величины не согласуется с нормальным распределением.

Вычисления теоретических частот для исследуемого эмпирического ряда распределения принято называть выравниванием эмпирических кривых по нормальному (или любом другом) закона распределения. Этот процесс имеет важное как теоретическое, так практическое значение. Выравнивание эмпирических данных раскрывает закономерность в их распределении, которая может быть завуалирована случайной формой своего проявления. Установленную таким образом закономерность можно использовать для решения ряда практических задач.

С распределением, близким к нормальному, исследователь встречается в различных сферах науки и областях практической деятельности человека. В экономике такого рода распределения встречаются реже, чем, скажем, в технике или биологии. Обусловлено это самой природой социально-экономических явлений, которые характеризуются большой сложностью взаимосвязанных и взаимосвязанных факторов, а также наличием ряда условий, ограничивающих свободную "игру" случаев. Но экономист должен обращаться к нормальному распределению, анализируя строение эмпирических распределений, как к некоторому эталону. Такое сравнение позволяет выяснить характер тех внутренних условий, которые определяют данную фигуру распределения.

Проникновение сферы статистических исследований в область социально-экономических явлений позволило раскрыть существование большого количества различного типа кривых распределения. Однако не надо считать, что теоретическая концепция кривой нормального распределения вообще мало пригодна в статистико-математическом анализе такого типа явлений. Она может быть не всегда приемлема в анализе конкретного статистического распределения, но в области теории и практики выборочного метода исследования имеет первостепенное значение.

Назовем основные аспекты применения нормального распределения в статистико-математическом анализе.

1. Для определения вероятности конкретного значения признака. Это необходимо при проверке гипотез о соответствии того или иного эмпирического распределения нормальному.

2. При оценке ряда параметров, например, средних, методом максимального правдоподобия. Суть его заключается в определении такого закона, которому подчиняется совокупность. Определяется и оценка, которая дает максимальные значения. Лучшее приближение к параметрам генеральной совокупности дает отношение:

у = - 2 = е 2

3. Для определения вероятности выборочных средних относительно генеральных средних.

4. При определении доверительного интервала, в котором находится приближенное значение характеристик генеральной совокупности.

На практике большинство случайных величин, на которых воздействует большое количество случайных факторов, подчиняются нормальному закону распределения вероятностей. Поэтому в различных приложениях теории вероятностей этот закон имеет особое значение.

Случайная величина $X$ подчиняется нормальному закону распределения вероятностей, если ее плотность распределения вероятностей имеет следующий вид

$$f\left(x\right)={{1}\over {\sigma \sqrt{2\pi }}}e^{-{{{\left(x-a\right)}^2}\over {2{\sigma }^2}}}$$

Схематически график функции $f\left(x\right)$ представлен на рисунке и имеет название «Гауссова кривая». Справа от этого графика изображена банкнота в 10 марок ФРГ, которая использовалась еще до появления евро. Если хорошо приглядеться, то на этой банкноте можно заметить гауссову кривую и ее первооткрывателя величайшего математика Карла Фридриха Гаусса.

Вернемся к нашей функции плотности $f\left(x\right)$ и дадим кое-какие пояснения относительно параметров распределения $a,\ {\sigma }^2$. Параметр $a$ характеризует центр рассеивания значений случайной величины, то есть имеет смысл математического ожидания. При изменении параметра $a$ и неизмененном параметре ${\sigma }^2$ мы можем наблюдать смещение графика функции $f\left(x\right)$ вдоль оси абсцисс, при этом сам график плотности не меняет своей формы.

Параметр ${\sigma }^2$ является дисперсией и характеризует форму кривой графика плотности $f\left(x\right)$. При изменении параметра ${\sigma }^2$ при неизмененном параметре $a$ мы можем наблюдать, как график плотности меняет свою форму, сжимаясь или растягиваясь, при этом не сдвигаясь вдоль оси абсцисс.

Вероятность попадания нормально распределенной случайной величины в заданный интервал

Как известно, вероятность попадания случайной величины $X$ в интервал $\left(\alpha ;\ \beta \right)$ можно вычислять $P\left(\alpha < X < \beta \right)=\int^{\beta }_{\alpha }{f\left(x\right)dx}$. Для нормального распределения случайной величины $X$ с параметрами $a,\ \sigma $ справедлива следующая формула:

$$P\left(\alpha < X < \beta \right)=\Phi \left({{\beta -a}\over {\sigma }}\right)-\Phi \left({{\alpha -a}\over {\sigma }}\right)$$

Здесь функция $\Phi \left(x\right)={{1}\over {\sqrt{2\pi }}}\int^x_0{e^{-t^2/2}dt}$ - функция Лапласа. Значения этой функции берутся из . Можно отметить следующие свойства функции $\Phi \left(x\right)$.

1 . $\Phi \left(-x\right)=-\Phi \left(x\right)$, то есть функция $\Phi \left(x\right)$ является нечетной.

2 . $\Phi \left(x\right)$ - монотонно возрастающая функция.

3 . ${\mathop{lim}_{x\to +\infty } \Phi \left(x\right)\ }=0,5$, ${\mathop{lim}_{x\to -\infty } \Phi \left(x\right)\ }=-0,5$.

Для вычисления значений функции $\Phi \left(x\right)$ можно также воспользоваться мастером функция $f_x$ пакета Excel: $\Phi \left(x\right)=НОРМРАСП\left(x;0;1;1\right)-0,5$. Например, вычислим значений функции $\Phi \left(x\right)$ при $x=2$.

Вероятность попадания нормально распределенной случайной величины $X\in N\left(a;\ {\sigma }^2\right)$ в интервал, симметричный относительно математического ожидания $a$, может быть вычислена по формуле

$$P\left(\left|X-a\right| < \delta \right)=2\Phi \left({{\delta }\over {\sigma }}\right).$$

Правило трех сигм . Практически достоверно, что нормально распределенная случайная величина $X$ попадет в интервал $\left(a-3\sigma ;a+3\sigma \right)$.

Пример 1 . Случайная величина $X$ подчинена нормальному закону распределения вероятностей с параметрами $a=2,\ \sigma =3$. Найти вероятность попадания $X$ в интервал $\left(0,5;1\right)$ и вероятность выполнения неравенства $\left|X-a\right| < 0,2$.

Используя формулу

$$P\left(\alpha < X < \beta \right)=\Phi \left({{\beta -a}\over {\sigma }}\right)-\Phi \left({{\alpha -a}\over {\sigma }}\right),$$

находим $P\left(0,5;1\right)=\Phi \left({{1-2}\over {3}}\right)-\Phi \left({{0,5-2}\over {3}}\right)=\Phi \left(-0,33\right)-\Phi \left(-0,5\right)=\Phi \left(0,5\right)-\Phi \left(0,33\right)=0,191-0,129=0,062$.

$$P\left(\left|X-a\right| < 0,2\right)=2\Phi \left({{\delta }\over {\sigma }}\right)=2\Phi \left({{0,2}\over {3}}\right)=2\Phi \left(0,07\right)=2\cdot 0,028=0,056.$$

Пример 2 . Предположим, что в течение года цена на акции некоторой компании есть случайная величина, распределенная по нормальному закону с математическим ожиданием, равным 50 условным денежным единицам, и стандартным отклонением, равным 10. Чему равна вероятность того, что в случайно выбранный день обсуждаемого периода цена за акцию будет:

а) более 70 условных денежных единиц?

б) ниже 50 за акцию?

в) между 45 и 58 условными денежными единицами за акцию?

Пусть случайная величина $X$ - цена на акции некоторой компании. По условию $X$ подчинена нормальному закону распределению с параметрами $a=50$ - математическое ожидание, $\sigma =10$ - стандартное отклонение. Вероятность $P\left(\alpha < X < \beta \right)$ попадания $X$ в интервал $\left(\alpha ,\ \beta \right)$ будем находить по формуле:

$$P\left(\alpha < X < \beta \right)=\Phi \left({{\beta -a}\over {\sigma }}\right)-\Phi \left({{\alpha -a}\over {\sigma }}\right).$$

$$а)\ P\left(X>70\right)=\Phi \left({{\infty -50}\over {10}}\right)-\Phi \left({{70-50}\over {10}}\right)=0,5-\Phi \left(2\right)=0,5-0,4772=0,0228.$$

$$б)\ P\left(X < 50\right)=\Phi \left({{50-50}\over {10}}\right)-\Phi \left({{-\infty -50}\over {10}}\right)=\Phi \left(0\right)+0,5=0+0,5=0,5.$$

$$в)\ P\left(45 < X < 58\right)=\Phi \left({{58-50}\over {10}}\right)-\Phi \left({{45-50}\over {10}}\right)=\Phi \left(0,8\right)-\Phi \left(-0,5\right)=\Phi \left(0,8\right)+\Phi \left(0,5\right)=$$

Наиболее известным и часто применяемым в теории вероятностей законом является нормальный закон распределения или закон Гаусса .

Главная особенность нормального закона распределения заключается в том, что он является предельным законом для других законов распределения.

Заметим, что для нормального распределения интегральная функция имеет вид:

.

Покажем теперь, что вероятностный смысл параметров и таков: а есть математическое ожидание, - среднее квадратическое отклонение (то есть ) нормального распределения:

а) по определению математического ожидания непрерывной случайной величины имеем

Действительно

,

так как под знаком интеграла стоит нечётная функция, и пределы интегрирования симметричны относительно начала координат;

- интеграл Пуассона .

Итак, математическое ожидание нормального распределения равно параметру а .

б) по определению дисперсии непрерывной случайной величины и, учитывая, что , можем записать

.

Интегрируя по частям, положив , найдём

Следовательно .

Итак, среднее квадратическое отклонение нормального распределения равно параметру .

В случае если и нормальное распределение называют нормированным (или, стандартным нормальным) распределением. Тогда, очевидно, нормированная плотность (дифференциальная) и нормированная интегральная функция распределения запишутся соответственно в виде:

(Функция , как вам известно, называется функцией Лапласа (см. ЛЕКЦИЮ5) или интегралом вероятностей. Обе функции, то есть , табулированы и их значения записаны в соответствующих таблицах).

Свойства нормального распределения (свойства нормальной кривой):

1. Очевидно, функция на всей числовой прямой.

2. , то есть нормальная кривая расположена над осью Ох .

3. , то есть ось Ох служит горизонтальной асимптотой графика.

4. Нормальная кривая симметрично относительно прямой х = а (соответственно график функции симметричен относительно оси Оу ).

Следовательно, можем записать : .

5. .

6. Легко показать, что точки и являются точками перегиба нормальной кривой (доказать самостоятельно).

7. Очевидно, что

но, так как , то . Кроме того , следовательно, все нечётные моменты равны нулю.

Для чётных же моментов можем записать:

8. .

9. .

10. , где .

11. При отрицательных значениях случайной величины: , где .

13. Вероятность попадания случайной величины на участок, симметричный относительно центра распределения, равна:

ПРИМЕР 3 . Показать, что нормально распределённая случайная величина Х отклоняется от математического ожидания М (Х ) не более чем на .

Решение . Для нормального распределения: .

Другими словами, вероятность того, что абсолютная величина отклонения превысит утроенное среднее квадратическое отклонение, очень мала, а именно равна 0, 0027. Это означает, что лишь в 0,27% случаев так может произойти. Такие события, исходя из принципа невозможности маловероятных событий, можно считать практически невозможными.

Итак, событие с вероятностью 0,9973 можно считать практически достоверным, то есть случайная величина отклоняется от математического ожидания не более чем на .

ПРИМЕР 4 . Зная характеристики нормального распределения случайной величины Х - предела прочности стали: кг/мм 2 и кг/мм 2 , найти вероятность получения стали с пределом прочности от 31 кг/мм 2 до 35 кг/мм 2 .

Решение .

3. Показательное распределение (экспоненциальный закон распределения)

Показательным (экспоненциальным) называют распределение вероятностей непрерывной случайной величины Х , которое описывается дифференциальной функцией (плотность распределения)

где - постоянная положительная величина.

Показательное распределение определяется одним параметром . Эта особенность показательного распределения указывает на его преимущество, по сравнению с распределениями, зависящими от большего числа параметров. Обычно параметры неизвестны и приходится находить их оценки (приближённые значения); разумеется, проще оценить один параметр, чем два, или три и т.д.

Нетрудно записать интегральную функцию показательного распределения:

Мы определили показательное распределение при помощи дифференциальной функции; ясно, что его можно определить, пользуясь интегральной функцией.

Замечание : Рассмотрим непрерывную случайную величину Т - длительность времени безотказной работы изделия. Обозначим принимаемые её значения через t , . Интегральная функция распределения определяет вероятность отказа изделия за время длительностью t . Следовательно, вероятность безотказной работы за это же время, длительностью t , то есть вероятность противоположного события , равна

В статье подробно показано, что такое нормальный закон распределения случайной величины и как им пользоваться при решении практически задач.

Нормальное распределение в статистике

История закона насчитывает 300 лет. Первым открывателем стал Абрахам де Муавр, который придумал аппроксимацию еще 1733 году. Через много лет Карл Фридрих Гаусс (1809 г.) и Пьер-Симон Лаплас (1812 г.) вывели математические функции.

Лаплас также обнаружил замечательную закономерность и сформулировал центральную предельную теорему (ЦПТ ), согласно которой сумма большого количества малых и независимых величин имеет нормальное распределение.

Нормальный закон не является фиксированным уравнением зависимости одной переменной от другой. Фиксируется только характер этой зависимости. Конкретная форма распределения задается специальными параметрами. Например, у = аx + b – это уравнение прямой. Однако где конкретно она проходит и под каким наклоном, определяется параметрами а и b . Также и с нормальным распределением. Ясно, что это функция, которая описывает тенденцию высокой концентрации значений около центра, но ее точная форма задается специальными параметрами.

Кривая нормального распределения Гаусса имеет следующий вид.

График нормального распределения напоминает колокол, поэтому можно встретить название колоколообразная кривая . У графика имеется «горб» в середине и резкое снижение плотности по краям. В этом заключается суть нормального распределения. Вероятность того, что случайная величина окажется около центра гораздо выше, чем то, что она сильно отклонится от середины.

На рисунке выше изображены два участка под кривой Гаусса: синий и зеленый. Основания, т.е. интервалы, у обоих участков равны. Но заметно отличаются высоты. Синий участок удален от центра, и имеет существенно меньшую высоту, чем зеленый, который находится в самом центре распределения. Следовательно, отличаются и площади, то бишь вероятности попадания в обозначенные интервалы.

Формула нормального распределения (плотности) следующая.

Формула состоит из двух математических констант:

π – число пи 3,142;

е – основание натурального логарифма 2,718;

двух изменяемых параметров, которые задают форму конкретной кривой:

m – математическое ожидание (в различных источниках могут использоваться другие обозначения, например, µ или a );

σ 2 – дисперсия;

ну и сама переменная x , для которой высчитывается плотность вероятности.

Конкретная форма нормального распределения зависит от 2-х параметров: (m ) и (σ 2 ). Кратко обозначается N(m, σ 2) или N(m, σ) . Параметр m (матожидание) определяет центр распределения, которому соответствует максимальная высота графика. Дисперсия σ 2 характеризует размах вариации, то есть «размазанность» данных.

Параметр математического ожидания смещает центр распределения вправо или влево, не влияя на саму форму кривой плотности.

А вот дисперсия определяет остроконечность кривой. Когда данные имеют малый разброс, то вся их масса концентрируется у центра. Если же у данных большой разброс, то они «размазываются» по широкому диапазону.

Плотность распределения не имеет прямого практического применения. Для расчета вероятностей нужно проинтегрировать функцию плотности.

Вероятность того, что случайная величина окажется меньше некоторого значения x , определяется функцией нормального распределения :

Используя математические свойства любого непрерывного распределения, несложно рассчитать и любые другие вероятности, так как

P(a ≤ X < b) = Ф(b) – Ф(a)

Стандартное нормальное распределение

Нормальное распределение зависит от параметров средней и дисперсии, из-за чего плохо видны его свойства. Хорошо бы иметь некоторый эталон распределения, не зависящий от масштаба данных. И он существует. Называется стандартным нормальным распределением . На самом деле это обычное нормальное нормальное распределение, только с параметрами математического ожидания 0, а дисперсией – 1, кратко записывается N(0, 1).

Любое нормальное распределение легко превращается в стандартное путем нормирования:

где z – новая переменная, которая используется вместо x;
m – математическое ожидание;
σ – стандартное отклонение.

Для выборочных данных берутся оценки:

Среднее арифметическое и дисперсия новой переменной z теперь также равны 0 и 1 соответственно. В этом легко убедиться с помощью элементарных алгебраических преобразований.

В литературе встречается название z-оценка . Это оно самое – нормированные данные. Z-оценку можно напрямую сравнивать с теоретическими вероятностями, т.к. ее масштаб совпадает с эталоном.

Посмотрим теперь, как выглядит плотность стандартного нормального распределения (для z-оценок ). Напомню, что функция Гаусса имеет вид:

Подставим вместо (x-m)/σ букву z , а вместо σ – единицу, получим функцию плотности стандартного нормального распределения :

График плотности:

Центр, как и ожидалось, находится в точке 0. В этой же точке функция Гаусса достигает своего максимума, что соответствует принятию случайной величиной своего среднего значения (т.е. x-m=0 ). Плотность в этой точке равна 0,3989, что можно посчитать даже в уме, т.к. e 0 =1 и остается рассчитать только соотношение 1 на корень из 2 пи.

Таким образом, по графику хорошо видно, что значения, имеющие маленькие отклонения от средней, выпадают чаще других, а те, которые сильно отдалены от центра, встречаются значительно реже. Шкала оси абсцисс измеряется в стандартных отклонениях, что позволяет отвязаться от единиц измерения и получить универсальную структуру нормального распределения. Кривая Гаусса для нормированных данных отлично демонстрирует и другие свойства нормального распределения. Например, что оно является симметричным относительно оси ординат. В пределах ±1σ от средней арифметической сконцентрирована большая часть всех значений (прикидываем пока на глазок). В пределах ±2σ находятся большинство данных. В пределах ±3σ находятся почти все данные. Последнее свойство широко известно под названием правило трех сигм для нормального распределения.

Функция стандартного нормального распределения позволяет рассчитывать вероятности.

Понятное дело, вручную никто не считает. Все подсчитано и размещено в специальных таблицах, которые есть в конце любого учебника по статистике.

Таблица нормального распределения

Таблицы нормального распределения встречаются двух типов:

— таблица плотности ;

— таблица функции (интеграла от плотности).

Таблица плотности используется редко. Тем не менее, посмотрим, как она выглядит. Допустим, нужно получить плотность для z = 1 , т.е. плотность значения, отстоящего от матожидания на 1 сигму. Ниже показан кусок таблицы.

В зависимости от организации данных ищем нужное значение по названию столбца и строки. В нашем примере берем строку 1,0 и столбец 0 , т.к. сотых долей нет. Искомое значение равно 0,2420 (0 перед 2420 опущен).

Функция Гаусса симметрична относительно оси ординат. Поэтому φ(z)= φ(-z) , т.е. плотность для 1 тождественна плотности для -1 , что отчетливо видно на рисунке.

Чтобы не тратить зря бумагу, таблицы печатают только для положительных значений.

На практике чаще используют значения функции стандартного нормального распределения, то есть вероятности для различных z .

В таких таблицах также содержатся только положительные значения. Поэтому для понимания и нахождения любых нужных вероятностей следует знать свойства стандартного нормального распределения .

Функция Ф(z) симметрична относительно своего значения 0,5 (а не оси ординат, как плотность). Отсюда справедливо равенство:

Это факт показан на картинке:

Значения функции Ф(-z) и Ф(z) делят график на 3 части. Причем верхняя и нижняя части равны (обозначены галочками). Для того, чтобы дополнить вероятность Ф(z) до 1, достаточно добавить недостающую величину Ф(-z) . Получится равенство, указанное чуть выше.

Если нужно отыскать вероятность попадания в интервал (0; z) , то есть вероятность отклонения от нуля в положительную сторону до некоторого количества стандартных отклонений, достаточно от значения функции стандартного нормального распределения отнять 0,5:

Для наглядности можно взглянуть на рисунок.

На кривой Гаусса, эта же ситуация выглядит как площадь от центра вправо до z .

Довольно часто аналитика интересует вероятность отклонения в обе стороны от нуля. А так как функция симметрична относительно центра, предыдущую формулу нужно умножить на 2:

Рисунок ниже.

Под кривой Гаусса это центральная часть, ограниченная выбранным значением –z слева и z справа.

Указанные свойства следует принять во внимание, т.к. табличные значения редко соответствуют интересующему интервалу.

Для облегчения задачи в учебниках обычно публикуют таблицы для функции вида:

Если нужна вероятность отклонения в обе стороны от нуля, то, как мы только что убедились, табличное значение для данной функции просто умножается на 2.

Теперь посмотрим на конкретные примеры. Ниже показана таблица стандартного нормального распределения. Найдем табличные значения для трех z : 1,64, 1,96 и 3.

Как понять смысл этих чисел? Начнем с z=1,64 , для которого табличное значение составляет 0,4495 . Проще всего пояснить смысл на рисунке.

То есть вероятность того, что стандартизованная нормально распределенная случайная величина попадет в интервал от 0 до 1,64 , равна 0,4495 . При решении задач обычно нужно рассчитать вероятность отклонения в обе стороны, поэтому умножим величину 0,4495 на 2 и получим примерно 0,9. Занимаемая площадь под кривой Гаусса показана ниже.

Таким образом, 90% всех нормально распределенных значений попадает в интервал ±1,64σ от средней арифметической. Я не случайно выбрал значение z=1,64 , т.к. окрестность вокруг средней арифметической, занимающая 90% всей площади, иногда используется для и расчета доверительных интервалов. Если проверяемое значение не попадает в обозначенную область, то его наступление маловероятно (всего 10%).

Для проверки гипотез, однако, чаще используется интервал, накрывающий 95% всех значений. Половина вероятности от 0,95 – это 0,4750 (см. второе выделенное в таблице значение).

Для этой вероятности z=1,96. Т.е. в пределах почти ±2σ от средней находится 95% значений. Только 5% выпадают за эти пределы.

Еще одно интересное и часто используемое табличное значение соответствует z=3 , оно равно по нашей таблице 0,4986 . Умножим на 2 и получим 0,997 . Значит, в рамках ±3σ от средней арифметической заключены почти все значения.

Так выглядит правило 3 сигм для нормального распределения на диаграмме.

С помощью статистических таблиц можно получить любую вероятность. Однако этот метод очень медленный, неудобный и сильно устарел. Сегодня все делается на компьютере. Далее переходим к практике расчетов в Excel.

Нормальное распределение в Excel

В Excel есть несколько функций для подсчета вероятностей или обратных значений нормального распределения.

Функция НОРМ.СТ.РАСП

Функция НОРМ.СТ.РАСП предназначена для расчета плотности ϕ(z ) или вероятности Φ(z) по нормированным данным (z ).

=НОРМ.СТ.РАСП(z;интегральная)

z – значение стандартизованной переменной

интегральная – если 0, то рассчитывается плотность ϕ(z ) , если 1 – значение функции Ф(z), т.е. вероятность P(Z

Рассчитаем плотность и значение функции для различных z: -3, -2, -1, 0, 1, 2, 3 (их укажем в ячейке А2).

Для расчета плотности потребуется формула =НОРМ.СТ.РАСП(A2;0). На диаграмме ниже – это красная точка.

Для расчета значения функции =НОРМ.СТ.РАСП(A2;1). На диаграмме – закрашенная площадь под нормальной кривой.

В реальности чаще приходится рассчитывать вероятность того, что случайная величина не выйдет за некоторые пределы от средней (в среднеквадратичных отклонениях, соответствующих переменной z ), т.е. P(|Z|.

Определим, чему равна вероятность попадания случайной величины в пределы ±1z, ±2z и ±3z от нуля. Потребуется формула 2Ф(z)-1 , в Excel =2*НОРМ.СТ.РАСП(A2;1)-1.

На диаграмме отлично видны основные основные свойства нормального распределения, включая правило трех сигм. Функция НОРМ.СТ.РАСП – это автоматическая таблица значений функции нормального распределения в Excel.

Может стоять и обратная задача: по имеющейся вероятности P(Z найти стандартизованную величину z ,то есть квантиль стандартного нормального распределения.

Функция НОРМ.СТ.ОБР

НОРМ.СТ.ОБР рассчитывает обратное значение функции стандартного нормального распределения. Синтаксис состоит из одного параметра:

=НОРМ.СТ.ОБР(вероятность)

вероятность – это вероятность.

Данная формула используется так же часто, как и предыдущая, ведь по тем же таблицам искать приходится не только вероятности, но и квантили.

Например, при расчете доверительных интервалов задается доверительная вероятность, по которой нужно рассчитать величину z .

Учитывая то, что доверительный интервал состоит из верхней и нижней границы и то, что нормальное распределение симметрично относительно нуля, достаточно получить верхнюю границу (положительное отклонение). Нижняя граница берется с отрицательным знаком. Обозначим доверительную вероятность как γ (гамма), тогда верхняя граница доверительного интервала рассчитывается по следующей формуле.

Рассчитаем в Excel значения z (что соответствует отклонению от средней в сигмах) для нескольких вероятностей, включая те, которые наизусть знает любой статистик: 90%, 95% и 99%. В ячейке B2 укажем формулу: =НОРМ.СТ.ОБР((1+A2)/2). Меняя значение переменной (вероятности в ячейке А2) получим различные границы интервалов.

Доверительный интервал для 95% равен 1,96, то есть почти 2 среднеквадратичных отклонения. Отсюда легко даже в уме оценить возможный разброс нормальной случайной величины. В общем, доверительным вероятностям 90%, 95% и 99% соответствуют доверительные интервалы ±1,64, ±1,96 и ±2,58 σ.

В целом функции НОРМ.СТ.РАСП и НОРМ.СТ.ОБР позволяют произвести любой расчет, связанный с нормальным распределением. Но, чтобы облегчить и уменьшить количество действий, в Excel есть несколько других функций. Например, для расчета доверительных интервалов средней можно использовать ДОВЕРИТ.НОРМ. Для проверки о средней арифметической есть формула Z.ТЕСТ.

Рассмотрим еще пару полезных формул с примерами.

Функция НОРМ.РАСП

Функция НОРМ.РАСП отличается от НОРМ.СТ.РАСП лишь тем, что ее используют для обработки данных любого масштаба, а не только нормированных. Параметры нормального распределения указываются в синтаксисе.

=НОРМ.РАСП(x;среднее;стандартное_откл;интегральная)

среднее – математическое ожидание, используемое в качестве первого параметра модели нормального распределения

стандартное_откл – среднеквадратичное отклонение – второй параметр модели

интегральная – если 0, то рассчитывается плотность, если 1 – то значение функции, т.е. P(X

Например, плотность для значения 15, которое извлекли из нормальной выборки с матожиданием 10, стандартным отклонением 3, рассчитывается так:

Если последний параметр поставить 1, то получим вероятность того, что нормальная случайная величина окажется меньше 15 при заданных параметрах распределения. Таким образом, вероятности можно рассчитывать напрямую по исходным данным.

Функция НОРМ.ОБР

Это квантиль нормального распределения, т.е. значение обратной функции. Синтаксис следующий.

=НОРМ.ОБР(вероятность;среднее;стандартное_откл)

вероятность – вероятность

среднее – матожидание

стандартное_откл – среднеквадратичное отклонение

Назначение то же, что и у НОРМ.СТ.ОБР , только функция работает с данными любого масштаба.

Пример показан в ролике в конце статьи.

Моделирование нормального распределения

Для некоторых задач требуется генерация нормальных случайных чисел. Готовой функции для этого нет. Однако В Excel есть две функции, которые возвращают случайные числа: СЛУЧМЕЖДУ и СЛЧИС. Первая выдает случайные равномерно распределенные целые числа в указанных пределах. Вторая функция генерирует равномерно распределенные случайные числа между 0 и 1. Чтобы сделать искусственную выборку с любым заданным распределением, нужна функция СЛЧИС .

Допустим, для проведения эксперимента необходимо получить выборку из нормально распределенной генеральной совокупности с матожиданием 10 и стандартным отклонением 3. Для одного случайного значения напишем формулу в Excel.

НОРМ.ОБР(СЛЧИС();10;3)

Протянем ее на необходимое количество ячеек и нормальная выборка готова.

Для моделирования стандартизованных данных следует воспользоваться НОРМ.СТ.ОБР.

Процесс преобразования равномерных чисел в нормальные можно показать на следующей диаграмме. От равномерных вероятностей, которые генерируются формулой СЛЧИС, проведены горизонтальные линии до графика функции нормального распределения. Затем от точек пересечения вероятностей с графиком опущены проекции на горизонтальную ось.

по сравнению с другими видами распределений. Главной особенностью этого распределения является то, что к этому закону стремятся все другие законы распределений при бесконечном повторении количества испытаний. Как получается это распределение?

Представим себе, что, взяв ручной динамометр, Вы расположились в самом людном месте Вашего города. И каждому, кто проходит мимо, Вы предлагаете измерить свою силу, сжав динамометр правой или левой рукой. Показания динамометра Вы аккуратно за-писываете. Через некоторое время, при достаточно большом количестве испытаний, Вы нанесли на ось абсцисс показания динамометра, а на ось ординат – количество людей, кото-рые "выжали" это показание. Полученные точки соединили плавной линией. В результате получается кривая, изображенная на рис.9.8 . Вид этой кривой не будет особо изменяться при увеличении времени опыта. Более того, с некоторого момента новые значения будут только уточнять кривую, не изменяя ее формы.

Рис. 9.8.

Теперь переместимся с нашим динамометром в атлетический зал и повторим эксперимент. Теперь максимум кривой сместится вправо, левый конец будет несколько затянут, в то время как правый конец ее будет более крутой (рис.9.9).

Рис. 9.9.

Заметим, что максимальная частота для второго распределения (точка В) будет ниже, чем максимальная частота первого распределения (точка А). Это можно объяснить тем, что общее количество людей, посещающих атлетический зал, будет меньше, чем количество людей, которое прошли возле экспериментатора в первом случае (в центре города в достаточно людном месте). Максимум сместился вправо, так как атлетические залы посещают физически более сильные люди по сравнению с общим фоном.

И, наконец, посетим школы, детские сады и дома престарелых с той же целью: выявить силу рук посетителей этих мест. И опять кривая распределения будет иметь похожую форму, но теперь, очевидно, более крутым будет ее левый конец, а правый более затянут. И как во втором случае, максимум (точка С) будет ниже точки А (рис.9.10).

Рис. 9.10.

Это замечательное свойство нормального распределения – сохранять форму кривой плотности распределения вероятностей (рис. 8 – 10) было замечено и описано в 1733 году Муавром, а затем исследовано Гауссом.

В научных исследованиях, в технике, в массовых явлениях или экспериментах, когда речь идет о многократно повторяющихся случайных величинах при неизменных условиях опыта, говорят, что результаты испытаний испытывают случайное рассеяние, подчиняющееся закону нормальной кривой распределения

(21)

Где - это наиболее часто встречающееся событие. Как правило, в формулу (21) вместо параметра ставят . Причем, чем длин-нее экспериментальный ряд, тем меньше параметр будет отличаться от математического ожидания. Площадь под кривой (рис.9.11) при-нимается равной единице. Площадь , отвечающая какому-либо интервалу оси абсцисс, численно равна вероятности попадания случайного результата в данный интервал .

Рис. 9.11.

Функция нормального распределения имеет вид

(22)

Заметим, что нормальная кривая (рис.9.11) симметрична относительно прямой и асимптотически приближается к оси ОХ при .

Вычислим математическое ожидание для нормального закона

(23)

Свойства нормального распределения

Рассмотрим основные свойства этого важнейшего распределения.

Свойство 1 . Функция плотности нормального распределения (21) определения на всей оси абсцисс.

Свойство 2 . Функция плотности нормального распределения (21) больше нуля для любого из области определения ().

Свойство 3 . При бесконечном увеличении (уменьшении) функция распределения (21) стремится к нулю .

Свойство 4 . При функция распределения , заданная (21), имеет наибольшее значение , равное

(24)

Свойство 5 . График функции (рис.9.11) симметричен относительно прямой .

Свойство 6 . График функции (рис.9.11) имеет по две точки перегиба симметричные относительно прямой :

(25)

Свойство 7 . Все нечетные центральные моменты равны нулю. Заметим, что используя свойство 7, определяют асимметрию функции по формуле . Если , то делают вывод , что исследуемое распределение симметрично относительно прямой . Если , то говорят, что ряд смещен вправо (более пологая правая ветвь графика или затянута). Если , тогда считают, что ряд смещен влево (более пологая левая ветвь графика рис.9.12).

Рис. 9.12.

Свойство 8 . Эксцесс распределения равен 3. Часто на практике вычисляют и по близости этой величины к нулю определяют степень "сжатия" или "размытости" графика (рис.9.13). А так как связан с , то, в конечном итоге характеризует степень рассеяния частоты данных. А так как определяет