Какова Кривая нормального распределения?
Кривая нормального распределения - граф, который изображает нормальное распределение переменных, в которых большинство значений группируется вокруг скупого, в то время как выбросы могут быть найдены выше и ниже скупого. Например, человеческая высота часто следует за кривой нормального распределения, с выбросами, кто необычно короток и высок и блок людей, сконцентрированных вокруг скупой высоты, таких как 70 дюймов (178 сантиметров) для американских мужчин. Когда данные, которые следуют за образцом нормального распределения, изображены в виде графика, граф часто напоминает колокол в поперечном срезе, объясняя термин кривая нормального распределения. І
Нормальные распределения или Гауссианы может быть найден в большом разнообразии контекстов, от графов исполнения финансовых рынков к экзаменационным отметкам. Когда переменные изображены в виде графика, и кривая нормального распределения появляется, это часто берется, чтобы означать, что переменные были в пределах нормальных ожиданий, и что они ведут себя в предсказуемой манере. Если граф искажен или нерегулярен, он может указать, что есть проблема.
Идеально, кривая нормального распределения симметрична. В задире, например, тест должен быть написан таким способом, которым небольшим количеством студентов терпят неудачу с F, и одинаково небольшое число получает прекрасный счет с A. Немного большее число студентов должно получить Ds и Bs, и наибольшее число должно получить Cs. Если кривая нормального распределения искажена, и пик кривой находится в Ds, это предполагает, что тест был слишком труден, в то время как тест с пиком в Бакалавре наук слишком легок.
Используя кривую нормального распределения, также возможно достигнуть среднеквадратичного отклонения для данных. Выходы среднеквадратичного отклонения, как плотно упакованный переменные вокруг скупого. Допустимые отклонения отражают разнообразие переменных, изображаемых, и они могут использоваться, чтобы собрать информацию вокруг проверки правильности данных. Большое среднеквадратичное отклонение указывает, что переменные плотно не сгруппированы, и что может быть проблема с данными, в то время как малые среднеквадратичные отклонения предполагают, что данные могут быть более действительными.
Например, когда затылки проводятся, комиссия по вопросам общественного мнения выпускает среднеквадратичные отклонения. Если среднеквадратичное отклонение является малым, это означает, что был затылок, который будет повторен, данные будут очень близко к тому из оригинального затылка, предполагая, что комиссия по вопросам общественного мнения использовала действительные методы и что информация точна. Если бы среднеквадратичное отклонение является большим, однако, оно указало бы, что повторные затылки не могли бы возвратить те же самые результаты, делая менее полезные данные.