Калькулятор обратного нормального распределения

Калькулятор обратного нормального распределения

Растущий AI Skill PRO

Введите расчет

Математическая формула

x=Среднее (μ)+SD (σ)·Φ−1(Вероятность (p))x = {{\text{Среднее }(\mu)}} + {{\text{SD }(\sigma)}} \cdot \Phi^{-1}\!\left({{\text{Вероятность }(p)}}\right)
Статистика использования

Реклама

Результаты

Обратное нормальное значение
1,6449
Заданная вероятность 0,95
Заданное среднее (μ) 0
Заданное стандартное отклонение (σ) 1
Процентиль 95%
Z-оценка 1,6449

Сообщить об ошибке на этой странице

Что вычисляет калькулятор обратного нормального распределения

Этот калькулятор решает классическую задачу статистики «наоборот»: вместо вопроса «какова вероятность, что значение окажется меньше x?» он отвечает на вопрос «какое значение соответствует заданной вероятности?». Вы задаёте накопленную вероятность и параметры нормального распределения, а инструмент возвращает соответствующее значение (обратное нормальное), его процентиль и z-оценку. Такой расчёт часто нужен в учёбе, контроле качества, финансах (оценка стоимости под риском, VaR) и при анализе результатов стандартизированных тестов.

Колоколообразная кривая нормального распределения с заштрихованной площадью левого хвоста p и вертикальной линией, отмечающей значение x на горизонтальной оси
Обратное нормальное распределение находит такое значение x, что заштрихованная площадь (вероятность p) лежит слева от него.

Три исходных параметра

  • Вероятность (от 0 до 1): накопленная площадь слева от искомого значения. Например, 0,95 означает «значение, ниже которого находится 95% распределения». Число должно строго лежать в интервале от 0 до 1.
  • Среднее (μ): центр вашего нормального распределения.
  • Стандартное отклонение (σ): мера разброса значений. Должно быть больше 0.

Формула

Калькулятор вычисляет обратную функцию распределения (квантильную функцию) нормального закона с вашими параметрами μ и σ:

  • Обратное нормальное значение: x = Φ⁻¹(p; μ, σ) — значение, при котором накопленная вероятность равна p.
  • Процентиль: вероятность × 100.
  • Z-оценка: z = (x − μ) / σ — на сколько стандартных отклонений значение x удалено от среднего.

Внутри расчёт опирается на обратную функцию стандартного нормального распределения, после чего масштабируется и сдвигается: x = μ + σ · z, где z соответствует вероятности p.

Реклама
Схема: входная вероятность через обратную функцию распределения превращается в z-оценку, затем умножается на сигму и сдвигается на мю, давая x
Вероятность p переводится в z-оценку, которая умножается на σ и сдвигается на μ, — так получается x.

Разбор примера

Допустим, баллы за экзамен распределены нормально со средним (μ) 70 и стандартным отклонением (σ) 8, и вам нужен 90-й процентиль. Введите вероятность = 0,90, среднее = 70, стандартное отклонение = 8.

  • z-оценка стандартного нормального распределения для 0,90 равна примерно 1,2816.
  • Обратное нормальное значение: 70 + 8 × 1,2816 ≈ 80,25.
  • Процентиль: 0,90 × 100 = 90%.
  • Z-оценка: (80,25 − 70) / 8 ≈ 1,28.

Таким образом, балл около 80,25 ставит студента на уровень 90-го процентиля.

Частые вопросы

Почему вероятность должна строго лежать между 0 и 1? Нормальное распределение бесконечно простирается в обе стороны, поэтому вероятности, равные ровно 0 или 1, соответствуют ±бесконечности. Калькулятор принимает только значения внутри этого открытого интервала.

Что будет, если оставить стандартные значения среднего и отклонения? Если задать среднее = 0 и стандартное отклонение = 1, обратное нормальное значение совпадёт с z-оценкой — вы получите классический квантиль стандартного нормального распределения.

Что означает отрицательный результат? Если вероятность меньше 0,5, значение оказывается левее среднего, давая отрицательную z-оценку и величину меньше μ. Это нормально и не является ошибкой.

Реклама

Распространённые вероятности и их z-оценки

В таблице приведена стандартная нормальная квантиль \(z = \Phi^{-1}(p)\), то есть z-оценка, при которой слева от неё находится накопленная вероятность p, для распределения со средним 0 и стандартным отклонением 1. Чтобы перейти к любому нормальному распределению, используйте \(x = \mu + \sigma \cdot z\).

Накопленная вероятность p z = Φ⁻¹(p)
0.01 -2.3263
0.025 -1.9600
0.05 -1.6449
0.50 0
0.75 0.6745
0.80 0.8416
0.90 1.2816
0.95 1.6449
0.975 1.9600
0.99 2.3263
0.995 2.5758
0.999 3.0902

Стандартная нормальная кривая симметрична, поэтому \(\Phi^{-1}(1-p) = -\Phi^{-1}(p)\). Поэтому для 0.05 получаем -1.6449, а для 0.95 получаем +1.6449.

Интерпретация результата

Значение x — это граничная точка, слева от которой находится вероятность p, а справа — 1 − p, так что \(P(X \le x) = p\). Например, при p = 0.95 x является 95-м процентилем: 95% значений лежат не выше него, а 5% — выше.

  • Если p < 0.5, z отрицательно и x лежит ниже среднего.
  • Если p > 0.5, z положительно и x лежит выше среднего.
  • Если p = 0.5, z = 0 и x равно среднему (которое также является медианой).

Эмпирическое правило даёт полезное представление о масштабе: около 68% значений лежат в пределах ±1σ от среднего, около 95% — в пределах ±2σ, а около 99.7% — в пределах ±3σ. Точнее, центральный интервал 95% использует z = ±1.96, а не ровно ±2.

Чтобы получить двусторонний центральный интервал с покрытием c, используйте \(p = (1 + c)/2\) для верхней границы и \(p = (1 - c)/2\) для нижней границы. Для центрального интервала 95% p = 0.975 даёт z = 1.96, и интервал равен \(\mu \pm 1.96\sigma\).

Всё это предполагает, что данные хорошо описываются нормальным распределением с введённым средним и стандартным отклонением. Если реальные данные асимметричны или имеют тяжёлые хвосты, граничная точка не будет соответствовать истинному процентилю.

Последнее обновление:

Самые популярные в разделе Математика и статистика

Все калькуляторы раздела Математика и статистика