Статистические распределения

Все темы Data Scientist

Какие типы распределений чаще всего используются в практике?

В практике наиболее часто используются следующие типы распределений:

1. Нормальное распределение (гауссовское): широко применяется в статистике из-за центральной предельной теоремы и подходит для моделирования многих естественных явлений.

2. Равномерное распределение: все значения в интервале имеют одинаковую вероятность, часто используется в случайных экспериментах.

3. Биномиальное распределение: описывает количество успехов в серии независимых и одинаково распределенных испытаний.

4. Экспоненциальное распределение: используется для моделирования времени между двумя последовательными событиями в процессе Пуассона.

5. Пуассоновское распределение: описывает количество событий, произошедших за фиксированный период времени или в фиксированном объеме пространства, при условии, что эти события происходят с фиксированной средней интенсивностью и независимо друг от друга.

Чем различаются распределения Бернулли и биномиальное, их математические ожидания и дисперсии?

Распределение Бернулли является частным случаем биномиального распределения, где проводится только одно испытание. Оно описывает случайную переменную, которая принимает только два значения: успех (обычно обозначается как 1) и неудачу (обычно обозначается как 0).

Интерпретация распределения Бернулли - это модель случайного эксперимента с двумя возможными исходами, где вероятность успеха (обычно обозначается как $p$) и вероятность неудачи $(1 - p)$ известны.

Математическое ожидание для распределения Бернулли равно вероятности успеха $(p)$, а дисперсия равна $p * (1 - p)$.

Биномиальное распределение расширяет концепцию распределения Бернулли на случай проведения нескольких независимых испытаний, где вероятность успеха $(p)$ остается const. Оно описывает количество успехов в серии независимых и одинаково распределенных испытаний.

Интерпретация биномиального распределения - это вероятность получить $k$ успехов в $n$ испытаниях, где вероятность успеха $(p)$ остается постоянной для всех испытаний.

Математическое ожидание для биномиального распределения равно $n _ p$, а дисперсия равна $n _ p * (1 - p)$.

Как проверить, что распределение нормальное?

Для проверки нормальности распределения можно использовать статистические тесты, такие как тесты Колмогорова-Смирнова, Шапиро-Уилка, или анализ квантилей (Q-Q plot). В кратком варианте:

1. Тест Колмогорова-Смирнова: Проверяет, насколько хорошо ваше распределение соответствует нормальному распределению. Если p-value низкое (обычно меньше 0.05), то это говорит о том, что распределение значимо отличается от нормального.

2. Тест Шапиро-Уилка: Этот тест также проверяет нормальность данных. Если p-value меньше выбранного уровня значимости, то гипотеза о нормальности отвергается.

3. Q-Q plot: Этот график сравнивает квантили вашего распределения с квантилями нормального распределения. Если точки на графике лежат примерно на прямой линии, то распределение близко к нормальному. Если они значительно отклоняются, то распределение отличается от нормального.

Большое p-value означает, что тест не обнаружил достаточных оснований отвергнуть нормальность при своём размере выборки. Оно не доказывает нормальность. Q-Q plot служит визуальной диагностикой и не имеет p-value.