Curs 7 – Distribuția normală

Funcția densitate de probabilitate (FDP).

Funcția densitate cumulativă a probabilității (FDC)

Variabilă aleatoare de tip continuu

Proprietatea definitorie a unei variabile continue este că pentru oricare două valori există un număr infinit de
alte valori posibile între ele.
O variabilă continuă ce are următoarea funcție densitate de probabilitate (FDP):

1 −(𝑥−𝜇)2
𝑓(𝑋) = .𝑒 2𝜎2
𝜎√2𝜋
se numește variabilă distribuită normal.

Figura 1 – Distribuția normală (Sursă: https://commons.wikimedia.org/wiki/File:Normal_Distribution_Sigma.svg)

Proprietăți ale distribuției normale:

1. Este simetrică în jurul mediei, μ
2. Toți cei 3 indicatori ai tendinței centrale (modul, mediană, medie) au aceeași valoare μ
3. Are puncte de inflexiune la μ - σ și μ + σ
4. Aria de sub curbă este 1
5. Aria de sub curba distribuției normale și două valori X, reprezintă probabilitatea ca o a treia valoare X
să se afle între primele două valori inițiale. Spre exemplu: aria roz (34,13%) reprezintă ca valoarea X
să se afle între μ și μ + σ.
FDC (Funcția densitate cumulativă a probabilității) a unei distribuții normale este dată de funcția:
𝑥
1 −(𝑥−𝜇)2
𝛷(𝑋) = ∫ .𝑒 2𝜎2 𝑑𝑡
𝜎√2𝜋
−∞

 Valorile ei (Φ(X)) reprezintă probabilitățile de la punctul 5 (de mai sus).

Figura 2 – FDP și FDC ale unei variabile distribuite normal (Sursă: https://www.probabilitycourse.com/chapter4/4_2_3_normal.php)

Generarea de distribuții normale în SPSS

Prima sarcină va fi specificarea funcțiilor de densitate pentru trei distribuții diferite, pentru a vedea cum media
și deviația standard definesc o curbă unică. În mod specific, vom genera valori ale funcției de densitate pentru
o variabilă normală Z-> N (0,1) și alte două, X-> N (1,1) și X-> N (0,3).

(normal.sav) Transform => Compute Variable și Graphs => Chart Builder => Simple Line

Aceeași procedură pentru n11 și n03.

Indicatori ai formei distribuției

Indicatorul Skewness măsoară asimetriei distribuției unei variabile față de distribuția ei normală.
Dacă majoritatea valorilor sunt în stânga distribuției și coada dreaptă a distribuției este mai lungă, distribuția
prezintă o asimetrie pozitivă, valorile indicatorului Skewness fiind pozitive.
Dacă majoritatea valorilor sunt în dreapta distribuției și coada stângă a distribuției este mai lungă, distribuția
prezintă o asimetrie negativă, valorile indicatorului Skewness fiind negative.
Indicatorul Kurtosis măsoară gradul în care valorile distribuției se desfășoară în cozile distribuției.
O distribuție cu o valoarea pozitivă pentru Kurtosis (leptocurtică) are prea multe valori în cozi și este ascuțită,
în timp ce distribuții cu valori negative ale indicatorului Kurtosis dețin prea puține valori în cozi și sunt plate
(platicurtice).
(Sursă: Field, A., Discovering Statistic using SPSS, Sage Publishing, 2009)

Exercițiu: (car_sales.sav)
1. Analyze – Descriptive Statistics – Frequencies => Price in thousands (Statistics – Mean & Standard
Deviation ȘI Charts – Histograms – bifați Show normal curve on histogram)
2. Transform – Compute variable – target variable = test și Numeric Expression : PDF.NORMAL(price,
27.391, 14.352)
3. Analyze – Descriptive Statistics – Frequencies => Price in thousands (Statistics – Mean & Standard
Deviation, Skewness, Kurtosis AND Charts – Histograms – bifați Show normal curve on histogram)

Statistics

Price in thousands

N Valid 155

Missing 2
Mean
27.39075
Std. Deviation
14.351653
Skewness
1.766
Std. Error of Skewness
.195
Kurtosis
3.630
Std. Error of Kurtosis
.387