Калькулятор нормального распределения
Введите среднее, стандартное отклонение и значение (или две границы), чтобы получить плотность вероятности, накопленные вероятности P(X x), P(a < X < b) и z-оценку для нормального распределения.
Найти вероятности нормального распределения
Формула нормального распределения
Где:
- \(\mu\) — среднее, центр колоколообразной кривой
- \(\sigma\) — стандартное отклонение, разброс распределения (должно быть положительным)
- \(x\) — значение, в котором вычисляются плотность и вероятности
- \(f(x)\) — функция плотности вероятности (PDF), высота кривой в точке \(x\)
- \(F(x)\) — функция распределения (CDF), площадь под кривой слева от \(x\)
- \(z\) — z-оценка, отклонение от среднего, измеренное в стандартных отклонениях
- \(\Phi\) — функция распределения стандартного нормального распределения (\(\mu=0,\ \sigma=1\))
Первое уравнение задает саму колоколообразную кривую. Второе преобразует любое значение в z-оценку и считывает вероятность со стандартной нормальной кривой, поэтому одна универсальная таблица (или функция ошибок) работает для любого среднего и стандартного отклонения.
Нормальное распределение — пример расчета
Пример: результаты IQ-тестов распределены приблизительно нормально со средним 100 и стандартным отклонением 15. Какова вероятность, что у случайно выбранного человека IQ ниже 110?
\[ z=\frac{x-\mu}{\sigma}=\frac{110-100}{15}=0.6667 \]
\[ P(X<110)=\Phi(0.6667)=\frac{1}{2}\left[1+\operatorname{erf}\!\left(\frac{0.6667}{\sqrt{2}}\right)\right]\approx 0.7475 \]
Плотность вероятности в этой точке равна \( f(110)=\frac{1}{15\sqrt{2\pi}}e^{-0.6667^2/2}\approx 0.0213 \).
Результат: P(X 110) ≈ 25,25%, а z-оценка равна 0,6667.
Как пользоваться калькулятором
- Введите Среднее (μ) — центр вашего распределения (например, 100).
- Введите Стандартное отклонение (σ) — оно должно быть больше 0.
- Выберите Нужную вероятность: ниже значения, выше значения, между двумя значениями или вне интервала (два «хвоста»).
- Для режимов «ниже» и «выше» введите Значение (x), в котором нужно вычислить вероятности.
- Для режимов «между» и «вне» введите Нижнюю границу (a) и Верхнюю границу (b); верхняя граница должна быть больше нижней. Можно также заполнить x, чтобы дополнительно получить плотность и накопленные вероятности в этой точке.
- Прочитайте результаты: плотность вероятности, накопленную вероятность, вероятность верхнего «хвоста», площадь между границами, z-оценку и интерпретацию простым языком.
Что такое нормальное распределение?
Нормальное распределение (его также называют гауссовским распределением или колоколообразной кривой) — самое используемое распределение вероятностей в статистике. Оно полностью описывается всего двумя числами: средним \(\mu\), которое задает центр кривой, и стандартным отклонением \(\sigma\), которое определяет, насколько она широкая или узкая. Многие природные величины — рост, погрешности измерений, результаты тестов, артериальное давление — распределены приблизительно нормально, во многом благодаря центральной предельной теореме: когда складывается много малых независимых факторов, их сумма стремится к колоколообразной кривой.
Кривая симметрична относительно среднего и никогда не касается нуля, бесконечно простираясь в обе стороны. Вероятность любого точного значения равна нулю; вместо этого вероятности соответствуют площадям под кривой. Накопленная вероятность \(F(x)=P(Xx)=1-F(x)\) — это площадь справа. Плотность вероятности \(f(x)\) сама по себе не является вероятностью — это высота кривой, полезная для сравнения того, насколько вероятны разные участки относительно друг друга.
Z-оценка \(z=(x-\mu)/\sigma\) выражает значение как число стандартных отклонений от среднего. Z-оценка, равная 2, означает «на два стандартных отклонения выше среднего». Переход к z-оценкам — ключевой прием: каждое нормальное распределение, каким бы ни были его среднее и стандартное отклонение, превращается в одну и ту же стандартную нормальную кривую, поэтому вероятности можно считывать из одной универсальной функции.
Интерпретация результата
Правило 68-95-99,7 (эмпирическое правило) дает быструю проверку любого ответа:
| Интервал вокруг среднего | Доля данных внутри | Доля вне (оба «хвоста») |
|---|---|---|
| \(\mu \pm 1\sigma\) | 68,27% | 31,73% |
| \(\mu \pm 2\sigma\) | 95,45% | 4,55% |
| \(\mu \pm 3\sigma\) | 99,73% | 0,27% |
Если вычисленная вероятность сильно расходится с этими ориентирами, перепроверьте исходные данные. Например, при настройках по умолчанию вероятность значения ниже 110 (z = 0,67) должна быть несколько больше 68%, поскольку 110 находится более чем на одно стандартное отклонение выше среднего — и 74,75% соответствуют этому ожиданию.
Допущения, ограничения и практические советы
- Допущение о нормальности: калькулятор исходит из того, что ваши данные действительно подчиняются нормальному распределению. Реальные данные часто скошены, ограничены или имеют «тяжелые хвосты»; вероятности для экстремальных значений особенно чувствительны к этому допущению.
- Строгое и нестрогое неравенство: для непрерывного распределения \(P(X<x)\) и \(P(X\le x)\) совпадают, поэтому не важно, какое обозначение вы используете.
- Малые вероятности: значения глубоко в «хвостах» (|z| примерно за пределами 4) дают вероятности, близкие к 0 или 1; калькулятор показывает шесть знаков после запятой, чтобы их все же можно было прочитать.
- Выборка и генеральная совокупность: вводите среднее и стандартное отклонение генеральной совокупности, если они известны. Если есть только выборочные оценки, результаты будут приближенными — для малых выборок лучше подходит t-распределение.
- Отрицательное или нулевое σ: стандартное отклонение должно быть строго положительным; калькулятор не принимает другие значения, так как при нулевом разбросе кривая выродилась бы в шип.
- Точность: вероятности вычисляются с помощью аппроксимации функции ошибок с точностью около 7 знаков после запятой, чего более чем достаточно для практической работы.
Часто задаваемые вопросы
Как вычислить вероятности нормального распределения вручную, без калькулятора?
Сначала преобразуйте значение в z-оценку: \(z = (x - \mu) / \sigma\). Затем найдите z-оценку в таблице стандартного нормального распределения (Z-таблице), которая дает \(P(Z x) = 1 - \Phi(z)\). Для интервала вычтите два табличных значения: \(P(a < X < b) = \Phi(z_b) - \Phi(z_a)\). Для отрицательного z используйте симметрию кривой: \(\Phi(-z) = 1 - \Phi(z)\).
Какая z-оценка считается хорошей или нормальной?
Z-оценка показывает, на сколько стандартных отклонений значение отстоит от среднего. Значения от −2 до +2 охватывают около 95% случаев и считаются типичными. Z-оценка за пределами ±2 — явление необычное (примерно верхние или нижние 2,5%), а за пределами ±3 — очень редкое (около 0,27% данных лежит вне ±3). «Хорошей» z-оценки в общем случае не существует — все зависит от контекста: в контроле качества желательны z-оценки, близкие к нулю, а в некоторых тестах, наоборот, лучше высокая z-оценка.
Почему моя вероятность больше 1 или плотность больше 1?
Вероятность никогда не может превышать 1, поэтому, если вы видите такое, проверьте исходные данные — чаще всего стандартное отклонение введено не в то поле или оно крайне мало. А вот плотность \(f(x)\) больше 1 — вполне допустима: плотность — это высота кривой, а не вероятность. Когда \(\sigma\) мало, кривая узкая и высокая, и высота ее пика равна \(1/(\sigma\sqrt{2\pi})\) — это значение легко может превышать 1.
Можно ли использовать этот калькулятор для выборочных данных или t-распределения?
Используйте его с выборочными оценками среднего и стандартного отклонения лишь как приближение, желательно не менее чем с 30 наблюдениями. Для малых выборок (примерно n < 30), когда стандартное отклонение генеральной совокупности неизвестно, лучше подходит t-распределение — у него более «тяжелые хвосты», поэтому вероятности для экстремальных значений заметно отличаются. Если ваши данные — это подсчеты, доли или сильно скошенные величины, лучше может подойти другое распределение (Пуассона, биномиальное, логнормальное).
Как найти значение x, соответствующее заданному перцентилю?
Этот калькулятор работает в прямом направлении, но можно пойти в обратном вручную. Возьмите перцентиль в виде десятичной дроби (90-й перцентиль — это 0,90), найдите z-оценку, накопленная вероятность которой равна ему (для 0,90 z ≈ 1,2816), затем денормируйте: \(x = \mu + z \cdot \sigma\). Например, при μ = 100 и σ = 15 90-й перцентиль равен 100 + 1,2816 × 15 ≈ 119,2.
В чем разница между нормальным распределением и стандартным нормальным распределением?
Стандартное нормальное распределение — это просто частный случай с \(\mu = 0\) и \(\sigma = 1\). Любое нормальное распределение можно преобразовать в него стандартизацией: вычесть среднее и разделить на стандартное отклонение. Именно поэтому одной универсальной Z-таблицы хватает для всех нормальных распределений. Если ваше среднее равно 0, а стандартное отклонение равно 1, ввод их здесь сразу даст стандартное нормальное распределение.
Важно ли, запрашиваю ли я P(X < x) или P(X ≤ x)?
Нет. Для непрерывного распределения, такого как нормальное, вероятность любого отдельного точного значения равна нулю — площадь под кривой в одной точке равна нулю. Поэтому \(P(X < x)\) и \(P(X \le x)\) совпадают, и то же верно для верхнего «хвоста». Это становится важным только при аппроксимации нормальной кривой дискретных данных (например, результатов экзаменов, округленных до целых чисел) — в этом случае точность может повысить поправка на непрерывность ±0,5.