Нормальное распределение - наиболее часто встречающийся вид распределения. С ним приходится встречаться при анализе погрешностей измерений, контроле технологических процессов и режимов, а также при анализе и прогнозировании различных явлений в биологии , медицине и других областях знаний.

Термин «нормальное распределение» применяется в условном смысле как общепринятый в литературе, хотя и не совсем удачный. Так, утверждение, что какой-то признак подчиняется нормальному закону распределения, вовсе не означает наличие каких-либо незыблемых норм, якобы лежащих в основе явления, отражением которого является рассматриваемый признак, а подчинение другим законам распределения не означает какую-то анормальность данного явления.

Главная особенность нормального распределения состоит в том, что оно является предельным, к которому приближаются другие распределения. Нормальное распределение впервые открыто Муавром в 1733 году. Нормальному закону подчиняются только непрерывные случайные величины. Плотность нормального закона распределения имеет вид .

Математическое ожидание для нормального закона распределения равно . Дисперсия равна .

Основные свойства нормального распределения.

1. Функция плотности распределения определена на всей числовой оси Ох , то есть каждому значению х соответствует вполне определённое значение функции.

2. При всех значениях х (как положительных, так и отрицательных) функция плотности принимает положительные значения, то есть нормальная кривая расположена над осью Ох .

3. Предел функции плотности при неограниченном возрастании х равен нулю, .

4. Функция плотности нормального распределения в точке имеет максимум .

5. График функции плотности симметричен относительно прямой .

6. Кривая распределения имеет две точки перегиба с координатами и .

7. Мода и медиана нормального распределения совпадают с математическим ожиданием а .

8. Форма нормальной кривой не изменяется при изменении параметра а .

9. Коэффициенты асимметрии и эксцесса нормального распределения равны нулю.

Очевидна важность вычисления этих коэффициентов для эмпирических рядов распределения, так как они характеризуют скошеннность и крутость данного ряда по сравнению с нормальным.

Вероятность попадания в интервал находится по формуле , где нечётная табулированная функция.

Определим вероятность того, что нормально распределённая случайная величина отклоняется от своего математического ожидания на величину, меньшую , то есть найдём вероятность осуществления неравенства , или вероятность двойного неравенства . Подставляя в формулу, получим

Выразив отклонение случайной величины Х в долях среднего квадратического отклонения, то есть положив в последнем равенстве, получим .

Тогда при получим ,

при получим ,

при получим .

Из последнего неравенства следует, что практически рассеяние нормально распределённой случайной величины заключено на участке . Вероятность того, что случайная величина не попадёт на этот участок, очень мала, а именно равна 0,0027, то есть это событие может произойти лишь в трёх случаях из 1000. Такие события можно считать практически невозможными. На приведённых рассуждениях основано правило трёх сигм , которое формулируется следующим образом: если случайная величина имеет нормальное распределение, то отклонение этой величины от математического ожидания по абсолютной величине не превосходит утроенного среднего квадратического отклонения .

Пример 28 . Деталь, изготовленная автоматом, считается годной, если отклонение её контролируемого размера от проектного не превышает 10 мм. Случайные отклонения контролируемого размера от проектного подчинены нормальному закону распределения со средним квадратическим отклонением мм и математическим ожиданием . Сколько процентов годных деталей изготавливает автомат?

Решение. Рассмотрим случайную величину Х - отклонение размера от проектного. Деталь будет признана годной, если случайная величина принадлежит интервалу . Вероятность изготовления годной детали найдём по формуле . Следовательно, процент годных деталей, изготавливаемых автоматом, равен 95,44%.

Биномиальное распределение

Биномиальным является распределение вероятностей появления m числа событий в п независимых испытаниях, в каждом из которых вероятность появления события постоянна и равна р . Вероятность возможного числа появлений события вычисляется по формуле Бернулли: ,

где . Постоянные п и р , входящие в это выражение, параметры биномиального закона. Биномиальным распределением описывается распределение вероятностей дискретной случайной величины.

Основные числовые характеристики биномиального распределения. Математическое ожидание равно . Дисперсия равна . Коэффициенты асимметрии и эксцесса равны и . При неограниченном возрастании числа испытаний А и Е стремятся к нулю, следовательно, можно предположить, что биномиальное распределение сходится к нормальному с возрастанием числа испытаний.

Пример 29 . Производятся независимые испытания с одинаковой вероятностью появления события А в каждом испытании. Найти вероятность появления события А в одном испытании, если дисперсия числа появлений в трёх испытаниях равна 0,63.

Решение. Для биномиального распределения . Подставим значения, получим отсюда или тогда и .

Распределение Пуассона

Закон распределения редких явлений

Распределение Пуассона описывает число событий m , происходящих за одинаковые промежутки времени при условии, что события происходят независимо друг от друга с постоянной средней интенсивностью. При этом число испытаний п велико, а вероятность появления события в каждом испытании р мала. Поэтому распределение Пуассона называют законом редких явлений или простейшим потоком. Параметром распределения Пуассона является величина , характеризующая интенсивность появления событий в п испытаниях. Формула распределения Пуассона .

Пуассоновским распределением хорошо описываются число требований на выплату страховых сумм за год, число вызовов, поступивших на телефонную станцию за определённое время, число отказов элементов при испытании на надёжность, число бракованных изделий и так далее.

Основные числовые характеристики для распределения Пуассона. Математическое ожидание равно дисперсии и равно а . То есть . Это является отличительной особенностью этого распределения. Коэффициенты асимметрии и эксцесса соответственно равны .

Пример 30 . Среднее число выплат страховых сумм в день равно двум. Найти вероятность того, что за пять дней придётся выплатить: 1) 6 страховых сумм; 2) менее шести сумм; 3) не менее шести.распределение.

Это распределение часто наблюдается при изучении сроков службы различных устройств, времени безотказной работы отдельных элементов, частей системы и системы в целом, при рассмотрении случайных промежутков времени между появлениями двух последовательных редких событий.

Плотность показательного распределения определяется параметром , который называют интенсивностью отказов . Этот термин связан с конкретной областью приложения - теорией надёжности.

Выражение интегральной функции показательного распределения можно найти, используя свойства дифференциальной функции:

Математическое ожидание показательного распределения , дисперсия , среднее квадратическое отклонение . Таким образом, для этого распределения характерно, что среднее квадратическое отклонение численно равно математическому ожиданию. При любом значении параметра коэффициенты асимметрии и эксцесса - постоянные величины .

Пример 31 . Среднее время работы телевизора до первого отказа равно 500 часов. Найти вероятность того, что наудачу взятый телевизор проработает без поломок более 1000 часов.

Решение. Так как среднее время работы до первого отказа равно 500, то . Искомую вероятность найдём по формуле .

Во многих задачах, связанных с нормально распределенными случайными величинами, приходится определять вероятность попадания случайной величины , подчиненной нормальному закону с параметрами , на участок от до . Для вычисления этой вероятности воспользуемся общей формулой

где - функция распределения величины .

Найдем функцию распределения случайной величины , распределенной по нормальному закону с параметрами . Плотность распределения величины равна:

. (6.3.2)

Отсюда находим функцию распределения

. (6.3.3)

Сделаем в интеграле (6.3.3) замену переменной

и приведем его к виду:

(6.3.4)

Интеграл (6.3.4) не выражается через элементарные функции, но его можно вычислить через специальную функцию, выражающую определенный интеграл от выражения или (так называемый интеграл вероятностей), для которого составлены таблицы. Существует много разновидностей таких функций, например:

;

и т.д. Какой из этих функций пользоваться – вопрос вкуса. Мы выберем в качестве такой функции

. (6.3.5)

Нетрудно видеть, что эта функция представляет собой не что иное, как функцию распределения для нормально распределенной случайной величины с параметрами .

Условимся называть функцию нормальной функцией распределения. В приложении (табл. 1) приведены таблицы значений функции .

Выразим функцию распределения (6.3.3) величины с параметрами и через нормальную функцию распределения . Очевидно,

. (6.3.6)

Теперь найдем вероятность попадания случайной величины на участок от до . Согласно формуле (6.3.1)

Таким образом, мы выразили вероятность попадания на участок случайной величины , распределенной по нормальному закону с любыми параметрами, через стандартную функцию распределения , соответствующую простейшему нормальному закону с параметрами 0,1. Заметим, что аргументы функции в формуле (6.3.7) имеют очень простой смысл: есть расстояние от правого конца участка до центра рассеивания, выраженное в средних квадратических отклонениях; - такое же расстояние для левого конца участка, причем это расстояние считается положительным, если конец расположен справа от центра рассеивания, и отрицательным, если слева.

Как и всякая функция распределения, функция обладает свойствами:

3. - неубывающая функция.

Кроме того, из симметричности нормального распределения с параметрами относительно начала координат следует, что

Пользуясь этим свойством, собственно говоря, можно было бы ограничить таблицы функции только положительными значениями аргумента, но, чтобы избежать лишней операции (вычитание из единицы), в таблице 1 приложения приводятся значения как для положительных, так и для отрицательных аргументов.

На практике часто встречается задача вычисления вероятности попадания нормально распределенной случайной величины на участок, симметричный относительно центра рассеивания . Рассмотрим такой участок длины (рис. 6.3.1). Вычислим вероятность попадания на этот участок по формуле (6.3.7):

Учитывая свойство (6.3.8) функции и придавая левой части формулы (6.3.9) более компактный вид, получим формулу для вероятности попадания случайной величины, распределенной по нормальному закону на участок, симметричный относительно центра рассеивания:

. (6.3.10)

Решим следующую задачу. Отложим от центра рассеивания последовательные отрезки длиной (рис. 6.3.2) и вычислим вероятность попадания случайной величины в каждый из них. Так как кривая нормального закона симметрична, достаточно отложить такие отрезки только в одну сторону.

По формуле (6.3.7) находим:

(6.3.11)

Как видно из этих данных, вероятности попадания на каждый из следующих отрезков (пятый, шестой и т.д.) с точностью до 0,001 равны нулю.

Округляя вероятности попадания в отрезки до 0,01 (до 1%), получим три числа, которые легко запомнить:

0,34; 0,14; 0,02.

Сумма этих трех значений равна 0,5. Это значит, что для нормально распределенной случайной величины все рассеивания (с точностью до долей процента) укладывается на участке .

Это позволяет, зная среднее квадратическое отклонение и математическое ожидание случайной величины, ориентировочно указать интервал её практически возможных значений. Такой способ оценки диапазона возможных значений случайной величины известен в математической статистике под названием «правило трех сигма». Из правила трех сигма вытекает также ориентировочный способ определения среднего квадратического отклонения случайной величины: берут максимальное практически возможное отклонение от среднего и делят его на три. Разумеется, этот грубый прием может быть рекомендован, только если нет других, более точных способов определения .

Пример 1. Случайная величина , распределенная по нормальному закону, представляет собой ошибку измерения некоторого расстояния. При измерении допускается систематическая ошибка в сторону завышения на 1,2 (м); среднее квадратическое отклонения ошибки измерения равно 0,8 (м). Найти вероятность того, что отклонение измеренного значения от истинного не превзойдет по абсолютной величине 1,6 (м).

Решение. Ошибка измерения есть случайная величина , подчиненная нормальному закону с параметрами и . Нужно найти вероятность попадания этой величины на участок от до . По формуле (6.3.7) имеем:

Пользуясь таблицами функции (приложение, табл. 1), найдем:

; ,

Пример 2. Найти ту же вероятность, что и в предыдущем примере, но при условии, что систематической ошибки нет.

Решение. По формуле (6.3.10), полагая , найдем:

.

Пример 3. По цели, имеющей вид полосы (автострада), ширина которой равна 20 м, ведется стрельба в направлении, перпендикулярном автостраде. Прицеливание ведется по средней линии автострады. Среднее квадратическое отклонение в направлении стрельбы равно м. Имеется систематическая ошибка в направлении стрельбы: недолет 3 м. Найти вероятность попадания в автостраду при одном выстреле.

(вещественный, строго положительный)

Норма́льное распределе́ние , также называемое распределением Гаусса или Гаусса - Лапласа - распределение вероятностей , которое в одномерном случае задаётся функцией плотности вероятности , совпадающей с функцией Гаусса :

f (x) = 1 σ 2 π e − (x − μ) 2 2 σ 2 , {\displaystyle f(x)={\frac {1}{\sigma {\sqrt {2\pi }}}}\;e^{-{\frac {(x-\mu)^{2}}{2\sigma ^{2}}}},}

где параметр μ - математическое ожидание (среднее значение), медиана и мода распределения, а параметр σ - среднеквадратическое отклонение ( σ  ² - дисперсия) распределения.

Таким образом, одномерное нормальное распределение является двухпараметрическим семейством распределений. Многомерный случай описан в статье «Многомерное нормальное распределение ».

Стандартным нормальным распределением называется нормальное распределение с математическим ожиданием μ = 0 и стандартным отклонением σ = 1 .

Энциклопедичный YouTube

• 1 / 5

  Важное значение нормального распределения во многих областях науки (например, в математической статистике и статистической физике) вытекает из центральной предельной теоремы теории вероятностей . Если результат наблюдения является суммой многих случайных слабо взаимозависимых величин, каждая из которых вносит малый вклад относительно общей суммы, то при увеличении числа слагаемых распределение центрированного и нормированного результата стремится к нормальному. Этот закон теории вероятностей имеет следствием широкое распространение нормального распределения, что и стало одной из причин его наименования.

  Свойства

  Моменты

  Если случайные величины X 1 {\displaystyle X_{1}} и X 2 {\displaystyle X_{2}} независимы и имеют нормальное распределение с математическими ожиданиями μ 1 {\displaystyle \mu _{1}} и μ 2 {\displaystyle \mu _{2}} и дисперсиями σ 1 2 {\displaystyle \sigma _{1}^{2}} и σ 2 2 {\displaystyle \sigma _{2}^{2}} соответственно, то X 1 + X 2 {\displaystyle X_{1}+X_{2}} также имеет нормальное распределение с математическим ожиданием μ 1 + μ 2 {\displaystyle \mu _{1}+\mu _{2}} и дисперсией σ 1 2 + σ 2 2 . {\displaystyle \sigma _{1}^{2}+\sigma _{2}^{2}.} Отсюда вытекает, что нормальная случайная величина представима как сумма произвольного числа независимых нормальных случайных величин.

  Максимальная энтропия

  Нормальное распределение имеет максимальную дифференциальную энтропию среди всех непрерывных распределений, дисперсия которых не превышает заданную величину .

  Моделирование нормальных псевдослучайных величин

  Простейшие приближённые методы моделирования основываются на центральной предельной теореме . Именно, если сложить несколько независимых одинаково распределённых величин с конечной дисперсией , то сумма будет распределена приблизительно нормально. Например, если сложить 100 независимых стандартно равномерно  распределённых случайных величин, то распределение суммы будет приближённо нормальным .

  Для программного генерирования нормально распределённых псевдослучайных величин предпочтительнее использовать преобразование Бокса - Мюллера . Оно позволяет генерировать одну нормально распределённую величину на базе одной равномерно распределённой.

  Нормальное распределение в природе и приложениях

  Нормальное распределение часто встречается в природе. Например, следующие случайные величины хорошо моделируются нормальным распределением:

  • отклонение при стрельбе.
  • погрешности измерений (однако погрешности некоторых измерительных приборов имеют не нормальные распределения).
  • некоторые характеристики живых организмов в популяции.

  Такое широкое распространение этого распределения связано с тем, что оно является бесконечно делимым непрерывным распределением с конечной дисперсией. Поэтому к нему в пределе приближаются некоторые другие, например, биномиальное и пуассоновское . Этим распределением моделируются многие не детерминированные физические процессы.

  Связь с другими распределениями

  • Нормальное распределение является распределением Пирсона типа XI .
  • Отношение пары независимых стандартных нормально распределенных случайных величин имеет распределение Коши . То есть, если случайная величина X {\displaystyle X} представляет собой отношение X = Y / Z {\displaystyle X=Y/Z} (где Y {\displaystyle Y} и Z {\displaystyle Z} - независимые стандартные нормальные случайные величины), то она будет обладать распределением Коши.
  • Если z 1 , … , z k {\displaystyle z_{1},\ldots ,z_{k}} - совместно независимые стандартные нормальные случайные величины, то есть z i ∼ N (0 , 1) {\displaystyle z_{i}\sim N\left(0,1\right)} , то случайная величина x = z 1 2 + … + z k 2 {\displaystyle x=z_{1}^{2}+\ldots +z_{k}^{2}} имеет распределение хи-квадрат с k степенями свободы.
  • Если случайная величина X {\displaystyle X} подчинена логнормальному распределению , то её натуральный логарифм имеет нормальное распределение. То есть, если X ∼ L o g N (μ , σ 2) {\displaystyle X\sim \mathrm {LogN} \left(\mu ,\sigma ^{2}\right)} , то Y = ln ⁡ (X) ∼ N (μ , σ 2) {\displaystyle Y=\ln \left(X\right)\sim \mathrm {N} \left(\mu ,\sigma ^{2}\right)} . И наоборот, если Y ∼ N (μ , σ 2) {\displaystyle Y\sim \mathrm {N} \left(\mu ,\sigma ^{2}\right)} , то X = exp ⁡ (Y) ∼ L o g N (μ , σ 2) {\displaystyle X=\exp \left(Y\right)\sim \mathrm {LogN} \left(\mu ,\sigma ^{2}\right)} .
  • Отношение квадратов двух стандартных нормальных случайных величин имеет имеет

  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:

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

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

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

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

  Закон нормального распределения вероятностей непрерывной случайной величины занимает особое место среди различных теоретических законов, т. к. является основным во многих практических исследованиях. Им описывается большинство случайных явлений, связанных с производственными процессами.

  К случайным явлениям, подчиняющимся нормальному закону распределения, относятся ошибки измерений производственных параметров, распределение технологических погрешностей изготовления, рост и вес большинства биологических объектов и др.

  Нормальным называют закон распределения вероятностей непрерывной случайной величины, который описывается дифференциальной функцией

  a - математическое ожидание случайной величины;

  Среднее квадратичное отклонение нормального распределения.

  График дифференциальной функции нормального распределения называют нормальной кривой (кривой Гаусса) (рис.7).

  

  Рис. 7 Кривая Гаусса

  Свойства нормальной кривой (кривой Гаусса):

  1. кривая симметрична относительно прямой x = a;

  2. нормальная кривая расположена над осью X, т. е. при всех значениях X функция f(x) всегда положительна;

  3. ось ox является горизонтальной асимптотой графика, т. к.

  4. при x = a функция f(x) имеет максимум равный

  ,

  в точках A и B при и кривая имеет точки перегиба, ординаты которых равны.

  

  При этом, вероятность того, что абсолютная величина отклонения случайной величины, распределенной нормально, от ее математического ожидания не превысит среднего квадратичного отклонения , равна 0,6826.

  в точках E и G, при и , значение функции f(x) равно

  

  а вероятность того, что абсолютная величина отклонения случайной величины, распределенной нормально, от ее математического ожидания не превысит удвоенного среднего квадратичного отклонения, равна 0,9544.

  Асимптотически приближаясь к оси абсцисс, кривая Гаусса в точках C и D, при и , очень близко подходит к оси абсцисс. В этих точках значение функции f(x) очень мало

  

  а вероятность того, что абсолютная величина отклонения случайной величины, распределенной нормально, от ее математического ожидания не превысит утроенного среднего квадратичного отклонения, равна 0,9973. Это свойство кривой Гаусса называется "правило трех сигм ".

  
  
  

  Если случайная величина распределена нормально, то абсолютная величина ее отклонения от математического ожидания не превосходит утроенного среднего квадратического отклонения.

  Изменение величины параметра a (математического ожидания случайной величины) не изменяет форму нормальной кривой, а приводит лишь к ее смещению вдоль оси X: вправо, если a возрастает, и влево, если a убывает.

  При a=0 нормальная кривая симметрична относительно оси ординат.

  Изменение величины параметра (среднего квадратичного отклонения) изменяет форму нормальной кривой: с возрастанием ординаты нормальной кривой убывают, кривая растягивается вдоль оси X и прижимается к ней. При убывании ординаты нормальной кривой увеличиваются, кривая сжимается вдоль оси X и становится более "островершинной".

  При этом, при любых значениях и площадь ограниченная нормальной кривой и осью X, остается равной единице (т. е. вероятность того, что случайная величина, распределенная нормально, примет значение ограниченное на оси X нормальной кривой, равна 1).

  Нормальное распределение с произвольными параметрами и , т. е. описываемое дифференциальной функцией

  

  называется общим нормальным распределением .

  Нормальное распределение с параметрами и называется нормированным распределением (рис. 8). В нормированном распределении дифференциальная функция распределения равна:

  

  Рис. 8 Нормированная кривая

  Интегральная функция общего нормального распределения имеет вид:

  Пусть случайная величина X распределена по нормальному закону в интервале (c, d). Тогда вероятность того, что X примет значение, принадлежащее интервалу (c, d) равна

  

  Пример. Случайная величина X распределена по нормальному закону. Математическое ожидание и среднее квадратичное отклонение этой случайной величины равны a=30 и . Найти вероятность того, что X примет значение в интервале (10, 50).

  По условию: . Тогда

  Пользуясь готовыми таблицами Лапласа (см. приложение 3), имеем.