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.
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.
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.
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.