- •2.5. Основные статистические распределения
- •2.5. Равномерное распределение
- •2.5.1. Гипотезы о типе закона распределения исследуемой случайной величины
- •2.6. Нормальное распределение
- •2.6.1. Свойства нормального распределения
- •2.6.2 Плотность вероятности и функция нормального распределения
- •2.6.3. Работа с таблицами стандартного нормального распределения
- •Лабораторная работа №2.6. Параметры нормального распределения
- •Выполнение
- •2.7. Распределение Стьюдента
- •2.7.1. Дополнительно
- •2.7.2. График функции плотности вероятности распределения Стьюдента
- •2.7.2. Примеры расчетов вероятности попадания в заданный интервал с помощью таблиц t-распределения Стьюдента
- •2.8. F-распределение Фишера
- •2.8.1. Работа с таблицами f-распределения Фишера
- •Пример 2.6.
- •Вопросы
2.6. Нормальное распределение
Если случайная величина формируется под действием большого количества независимых факторов, вклад каждого из которых в значение случайной величины мал, то в силу центральной предельной теоремы эта случайная величина будет иметь нормальное распределение. В роли таких величин могут выступать: объем продаж в конкурентной отрасли или в промышленности в целом, суммарные инвестиции, суммарное потребление домашних хозяйств и тому подобные величины, имеющие аддитивную природу, то есть складывающиеся из многих малых взаимно независимых величин.
Основная особенность случайной величины состоит в том, что нельзя предвидеть, какое значение она примет в результате испытания. Однако при достаточно большом числе испытаний поведение суммы независимых случайных величин почти утрачивает случайный характер и становится почти закономерным. При увеличении числа слагаемых в сумме противоположные случайные колебания отдельных величин сглаживаются и распределение вероятностей суммы становится весьма простым, приближаясь при определенных условиях к нормальному распределению.
Нормальное распределение одной случайной величины Xоднозначно определяется лишь двумя параметрами: средним значением, обычно обозначаемым, и стандартным отклонением, обычно обозначаемым. Это обычно обозначают так:Х=N(,)
2.6.1. Свойства нормального распределения
Рассмотрим основные свойства нормального распределения.
10. Если ряд случайных величин(X1,X2, …Xn)имеет нормальное распределение, то их сумма(X1+X2+ …+Xn)или любая линейная комбинация (1X1+2X2+ …+nXn)также будет иметь нормальное распределение.
20. Распределение величины , представляющей собой взвешенную суммупнезависимых нормально распределенных случайных величин Хk=N(k,k) с параметрамиk иk, также будет иметь нормальное распределение с параметрами и.
В частности, если все ck=1/n, всеkиk, одинаковы и равныl,l,соответственно, то=l, а . Обозначая , имеем, таким образом,М[] = М[Х],[Х] =[Х]/. Отсюда видно, что разброс среднего арифметического независимых нормально распределенных случайных величин стремится к нулю при неограниченном увеличении числа этих величин. Если, например, взята достаточно большая репрезентативная выборка населения, то средний доход в выборке почти наверняка окажется близким к действительному среднему доходу населения.
2.6.2 Плотность вероятности и функция нормального распределения
График плотности вероятности нормального распределения имеет типичный колоколообразный вид и показан на рис. 2.5. Максимум этой функции находится в точке х=, а "растянутость" вдоль осиXопределяется параметром. Чем меньше значение этого параметра, тем более острый и высокий максимум имеет плотность нормального распределения. Аналитически плотность вероятности нормального распределения на интервале (-,+).
,
а функция распределения
M[X]= , D[X]= 2, V[X]=
Плотность вероятности нормального распределения пропорциональна величине ехр, гдеz- безразмерная величина, определяемая выражениемz=. Поэтому плотность нормального распределения достаточно быстро убывает при удалениихот среднего значения. Случайная величинаzимеет нулевое математическое ожидание и единичную дисперсию; это вытекает из их определений и свойств, учитывая, чтоz=.
Рис. 2.5. Функция плотности вероятности нормального распределения
Она как и исходная случайная величинах,нормально распределена, но уже не зависит от каких-либо параметров. Поэтому достаточно протабулировать стандартное нормальное распределение (то есть представить в виде таблиц значения плотности вероятностиfZ(z)), чтобы определить характеристики любой нормально распределенной величины. Эта функция называется плотностью стандартного нормального распределения. Стандартное нормальное распределение - это нормальное распределение с параметрами = 0, =1 (ZN(0,1))
На практике чаще используют таблицы значений не плотности, а функции распределения стандартной нормальной величины F(x). Интересуясь, например, вероятностью того, что нормально распределенная случайная величинаXпопадает в интервалx1X<x2 мы вначале находим соответствующий интервал для нормально распределенной стандартной случайной величиныZ(z1Z<z2):z1=иz2=. Затем по таблице находим значения функции распределенияF{z1)иF(z2)и определяем вероятность попадания случайной величиныZв заданный интервал
Prob{z1Z<z2} =F{z1) -F(z2), совпадающую с искомой вероятностью попадания случайной величиныXв заданный интервалProb{x1X<x2}. Геометрически эта вероятность изображается площадью под графиком функции плотности вероятности в интервале отx1 доx2.
Аналогично можно решать и обратную задачу - нахождения интервала, в который нормально распределенная случайная величина попадает с заданной вероятностью. Эта процедура часто используется в задачах теории оценивания и проверкигипотез. Так, например, пусть мы хотим проверить гипотезу о равенстве среднего значения нормально распределенной случайной величиныX(для генеральной совокупности) нулю, допуская вероятность ошибки 0,05 в случае, если эта гипотеза верна. В этом случае выборочное значение стандартной нормально распределенной случайной величиныZдолжно попадать в такой интервал, что вероятностьProb{z1Z<z2}= 0,95. Из этого условия и соображений симметрии можно найти границы интервала - критические значенияzкр=z2=-z1, такие, чтоProb{Z z1} =Prob{Z z2}= 0,05/2 = 0,025.
Сравнивая выборочное значение величины называемое z-статистикой с критическим значениемzкр, мы принимаем (если z1z<z2) или отвергаем (еслиz<z1 или z2<z) проверяемую гипотезу с точностью (уровнем значимости)ε=0,05 (5%).