Зміст курсу
Основи Теорії Ймовірностей
Основи Теорії Ймовірностей
Гаусівський Розподіл
Гаусівський розподіл, також відомий як нормальний розподіл, є неперервним розподілом ймовірностей, який широко використовується у статистиці та теорії ймовірностей.
Застосування гаусівського розподілу
Цей розподіл можна використовувати для опису таких величин:
Фізичні вимірювання: Багато фізичних вимірювань, таких як зріст, вага, артеріальний тиск і температура тіла, можна досить точно апроксимувати гаусівським розподілом. Наприклад, зріст дорослих чоловіків або жінок у популяції часто підпорядковується гаусівському розподілу;
Похибки та залишки: У статистичному аналізі або регресійному моделюванні похибки або залишки (різниця між спостережуваними та прогнозованими значеннями) зазвичай вважаються нормально розподіленими;
Результати тестів: Стандартизовані результати тестів, такі як SAT або ACT, часто моделюються за допомогою гаусівського розподілу в освітньому тестуванні;
Екологічні вимірювання: Гаусівський розподіл часто може описувати такі змінні, як рівень забруднення повітря, рівень шуму та вимірювання якості води.
Реалізація на Python
Також можна використовувати метод .cdf()
класу scipy.stats.norm
для роботи з гаусівським розподілом у Python. Він має два основних параметри: loc
визначає середнє значення результату експерименту, а scale
визначає середнє відхилення від середнього значення.
Приклад
Обчислити ймовірність того, що зріст випадково обраного чоловіка буде менше 160
або більше 190
. Припустимо, що середнє значення зросту чоловіків становить 170,
а середнє відхилення — 20
.
from scipy.stats import norm # Calculate probability that man has height between 160 and 190 proba_160_190 = norm.cdf(190, loc=170, scale=20) - norm.cdf(160, loc=170, scale=20) # Calculate the probability of complemented event prob_not_160_190 = 1 - proba_160_190 print(f'Result probability is {prob_not_160_190:.4f}')
Гаусівський розподіл є одним із найпопулярніших і найчастіше використовуваних розподілів. Його властивості розглядаються детальніше у курсі Probability Theory Mastering.
Дякуємо за ваш відгук!