Калькулятор нормального розподілу
Вкажіть середнє значення, стандартне відхилення та значення (або дві межі), щоб отримати щільність імовірності, кумулятивні імовірності P(X x), P(a < X < b) та z-показник для нормального розподілу.
Знайдіть імовірності нормального розподілу
Формула нормального розподілу
Де:
- \(\mu\) — середнє значення, центр дзвоноподібної кривої
- \(\sigma\) — стандартне відхилення, розкид розподілу (має бути додатним)
- \(x\) — значення, для якого обчислюється щільність та імовірності
- \(f(x)\) — функція щільності імовірності (PDF), висота кривої в точці \(x\)
- \(F(x)\) — функція розподілу (CDF), площа під кривою ліворуч від \(x\)
- \(z\) — z-показник, відстань від середнього, виражена в стандартних відхиленнях
- \(\Phi\) — функція розподілу стандартного нормального розподілу (\(\mu=0,\ \sigma=1\))
Перше рівняння визначає саму дзвоноподібну криву. Друге перетворює будь-яке значення на z-показник і зчитує імовірність зі стандартної нормальної кривої, тому одна універсальна таблиця (або функція помилок) працює для будь-якого середнього значення та стандартного відхилення.
Нормальний розподіл — приклад обчислення
Приклад: результати тестів IQ приблизно нормально розподілені із середнім значенням 100 і стандартним відхиленням 15. Яка ймовірність того, що випадково обрана особа має IQ нижче 110?
\[ z=\frac{x-\mu}{\sigma}=\frac{110-100}{15}=0.6667 \]
\[ P(X<110)=\Phi(0.6667)=\frac{1}{2}\left[1+\operatorname{erf}\!\left(\frac{0.6667}{\sqrt{2}}\right)\right]\approx 0.7475 \]
Щільність імовірності в цій точці становить \( f(110)=\frac{1}{15\sqrt{2\pi}}e^{-0.6667^2/2}\approx 0.0213 \).
Результат: P(X 110) ≈ 25,25%, а z-показник — 0,6667.
Як користуватися калькулятором
- Введіть Середнє значення (μ) — центр вашого розподілу (наприклад, 100).
- Введіть Стандартне відхилення (σ) — воно має бути більшим за 0.
- Оберіть потрібну Імовірність: нижче значення, вище значення, між двома значеннями або поза діапазоном (два «хвости»).
- Для режимів «нижче» та «вище» введіть Значення (x), для якого слід обчислити імовірності.
- Для режимів «між» та «поза» введіть Нижню межу (a) та Верхню межу (b); верхня межа має бути більшою за нижню. Ви також можете заповнити x, щоб додатково отримати щільність та кумулятивні імовірності в цій точці.
- Зчитайте результати: щільність імовірності, кумулятивну імовірність, імовірність правого «хвоста», площу між межами, z-показник та тлумачення простими словами.
Що таке нормальний розподіл?
Нормальний розподіл (його також називають гаусівським розподілом або дзвоноподібною кривою) — це найширше використовуваний імовірнісний розподіл у статистиці. Він повністю описується лише двома числами: середнім значенням \(\mu\), яке визначає центр кривої, та стандартним відхиленням \(\sigma\), яке контролює, наскільки вона широка чи вузька. Багато природних вимірювань — зріст, похибки вимірювань, результати тестів, артеріальний тиск — приблизно нормально розподілені, значною мірою завдяки центральній граничній теоремі: коли багато малих незалежних впливів додаються разом, їх сума тяжіє до дзвоноподібної кривої.
Крива симетрична відносно середнього і ніколи не торкається нуля, простягаючись нескінненно в обох напрямках. Імовірність будь-якого точного значення дорівнює нулю; натомість імовірності відповідають площам під кривою. Кумулятивна імовірність \(F(x)=P(Xx)=1-F(x)\) — це площа праворуч. Щільність імовірності \(f(x)\) сама по собі не є імовірністю — це висота кривої, корисна для порівняння того, наскільки ймовірними є різні ділянки відносно одна одної.
Z-показник \(z=(x-\mu)/\sigma\) виражає значення як кількість стандартних відхилень від середнього. Z-показник, що дорівнює 2, означає «на два стандартні відхилення вище середнього». Перехід до z-показників — це ключовий прийом: кожен нормальний розподіл, незалежно від його середнього значення та стандартного відхилення, перетворюється на ту саму стандартну нормальну криву, тому імовірності можна зчитувати з однієї універсальної функції.
Тлумачення результату
Правило 68-95-99,7 (емпіричне правило) дає швидку перевірку будь-якої відповіді:
| Діапазон навколо середнього | Частка даних усередині | Частка зовні (обидва «хвости») |
|---|---|---|
| \(\mu \pm 1\sigma\) | 68,27% | 31,73% |
| \(\mu \pm 2\sigma\) | 95,45% | 4,55% |
| \(\mu \pm 3\sigma\) | 99,73% | 0,27% |
Якщо обчислена імовірність сильно розходиться з цими орієнтирами, подвійно перевірте введені дані. Наприклад, за типових налаштувань імовірність значення нижче 110 (z = 0,67) має бути дещо більшою за 68%, оскільки 110 лежить більш ніж на одне стандартне відхилення вище середнього — і 74,75% відповідає цьому очікуванню.
Припущення, обмеження та практичні поради
- Припущення нормальності: калькулятор припускає, що ваші дані справді підпорядковані нормальному розподілу. Реальні дані часто є асиметричними, обмеженими або з «важкими хвостами»; імовірності для екстремальних значень особливо чутливі до цього припущення.
- Строга чи нестрога нерівність: для неперервного розподілу \(P(X<x)\) і \(P(X\le x)\) ідентичні, тому не має значення, яку конвенцію ви використовуєте.
- Малі імовірності: значення далеко в «хвостах» (|z| понад приблизно 4) дають імовірності, близькі до 0 або 1; калькулятор показує шість знаків після коми, щоб ви могли їх зчитати.
- Вибірка чи генеральна сукупність: введіть середнє та стандартне відхилення генеральної сукупності, якщо вони вам відомі. Якщо у вас є лише вибіркові оцінки, результати є наближеннями — для малих вибірок більше підходить t-розподіл.
- Негативне або нульове σ: стандартне відхилення має бути строго додатним; калькулятор відхиляє будь-які інші значення, адже нульовий розкид звів би криву в один пік.
- Точність: імовірності обчислюються за апроксимацією функції помилок із точністю до приблизно 7 знаків після коми, чого більш ніж достатньо для практичної роботи.
Часті запитання
Як обчислити імовірності нормального розподілу вручну без калькулятора?
Спочатку перетворіть своє значення на z-показник: \(z = (x - \mu) / \sigma\). Потім знайдіть z-показник у таблиці стандартного нормального розподілу (Z-таблиці), яка дає \(P(Z x) = 1 - \Phi(z)\). Для діапазону відніміть два табличні значення: \(P(a < X < b) = \Phi(z_b) - \Phi(z_a)\). Для від'ємного z використайте симетрію кривої: \(\Phi(-z) = 1 - \Phi(z)\).
Який z-показник вважається хорошим або нормальним?
Z-показник показує, на скільки стандартних відхилень значення віддалене від середнього. Значення між −2 і +2 охоплюють приблизно 95% випадків і вважаються типовими. Z-показник понад ±2 є незвичайним (приблизно верхні або нижні 2,5%), а понад ±3 — дуже рідкісним (близько 0,27% даних лежить поза ±3). Взагалі «хорошого» z-показника не існує — все залежить від контексту: у контролі якості бажані z-показники близько 0, тоді як у деяких тестах кращим є високий z-показник.
Чому моя імовірність більша за 1 або щільність більша за 1?
Імовірність ніколи не може перевищувати 1, тому якщо ви це бачите, перевірте введені дані — найчастіше стандартне відхилення було введено не в те поле або є надзвичайно малим. Однак щільність \(f(x)\) більша за 1 — цілком коректна ситуація: щільність — це висота кривої, а не імовірність. Коли \(\sigma\) мала, крива вузька й висока, і висота її піку становить \(1/(\sigma\sqrt{2\pi})\), що легко може перевищувати 1.
Чи можна використовувати цей калькулятор для вибіркових даних або t-розподілу?
Використовуйте його з вибірковими оцінками середнього та стандартного відхилення лише як наближення, бажано щонайменше з 30 спостереженнями. Для малих вибірок (приблизно n < 30), коли стандартне відхилення генеральної сукупності невідоме, більше підходить t-розподіл — він має «важчі хвости», тому екстремальні імовірності помітно відрізняються. Якщо ваші дані — це кількості, частки або сильно асиметричні дані, краще може підійти інший розподіл (Пуассона, біноміальний, логнормальний).
Як знайти значення x, що відповідає заданому перцентилю?
Цей калькулятор працює в прямому напрямку, але ви можете виконати обчислення у зворотному вручну. Візьміть перцентиль як десятковий дріб (90-й перцентиль — це 0,90), знайдіть z-показник, кумулятивна імовірність якого йому дорівнює (для 0,90 це z ≈ 1,2816), а потім виконайте зворотну стандартизацію: \(x = \mu + z \cdot \sigma\). Наприклад, за μ = 100 і σ = 15 90-й перцентиль становить 100 + 1,2816 × 15 ≈ 119,2.
Яка різниця між нормальним розподілом і стандартним нормальним розподілом?
Стандартний нормальний розподіл — це просто окремий випадок з \(\mu = 0\) та \(\sigma = 1\). Кожен нормальний розподіл можна перетворити на нього шляхом стандартизації: відняти середнє та розділити на стандартне відхилення. Саме тому одна універсальна Z-таблиця обслуговує всі нормальні розподіли. Якщо ваше середнє дорівнює 0, а стандартне відхилення — 1, введення їх тут одразу дає стандартний нормальний розподіл.
Чи має значення, чи запитувати P(X < x), чи P(X ≤ x)?
Ні. Для неперервного розподілу, такого як нормальний, імовірність будь-якого окремого точного значення дорівнює нулю — площа під кривою в одній точці дорівнює нулю. Тому \(P(X < x)\) і \(P(X \le x)\) ідентичні, і те саме стосується правого «хвоста». Це стає актуальним лише тоді, коли дискретні дані (наприклад, результати іспитів, округлені до цілих чисел) апроксимуються нормальною кривою — тут поправка на неперервність ±0,5 може підвищити точність.