1 Нормальный закон распределения и его применение Нормальное распределение ( распределение Гаусса) характеризуется тем, что крайние значения признака в нем встречаются достаточно редко, а значения, близкие к средней величине – достаточно часто. Это распределение следует закону, открытому тремя учеными в разное время: Муавром в 1733 г. в Англии, Гауссом в 1809 г. в Германии и Лапласом в 1812 г. во Франции. Нормальным такое распределение называется потому, что оно очень часто встречалось в естественно-научных исследованиях и казалось "нормой" всякого массового случайного проявления признаков. Оно применимо только для метрических данных! Это распределение описывается формулой: где f отн. – относительные частоты появления каждого конкретного значения случайной величины хi. Предполагается, что переменная хi, может принимать бесконечно большие и бесконечно малые значения, количество измерений бесконечно.
2 Нормальное распределение График нормального распределения представляет собой колоколообразную кривую ( симметричен относительно среднего арифметического значения ). Характерное свойство нормального распределения состоит в том, что 68,2 6 % из всех его наблюдений всегда лежат в диапазоне «плюс - минус» одно стандартное отклонение от среднего арифметического (какова бы ни была величина стандартного отклонения). 95,4 4 % - в пределах двух стандартных отклонений и 99,7 2 % - в пределах трех стандартных отклонений.
IQ Наследов А. Д, 2012
4 Проверка нормальности распределения 1. Среднее арифметическое, мода и медиана равны. 2. Нормальность распределения результативного признака можно проверить путем расчета показателей асимметрии и эксцесса и сопоставления их с критическими значениями (формулы Н.А. Плохинского и Е.И. Пустыльника ). 3. Нормальным распределением может быть только распределение с числом наблюдений не менее 30 (при наличии и других условий соответствий).
Частота Среднее, мода и медиана Значение переменной
Асимметрия Эксцесс
7 Асимметрия Асимметрия - это показатель симметричности/ скошенности кривой распределения. Для симметричного распределения асимметрия равна 0. Если чаще встречаются значения меньше среднего, то говорят о левосторонней, или положительной асимметрии (As > 0). Если же чаще встречаются значения больше среднего, то асимметрия – правосторонняя, или отрицательная ( As<0). Чем больше отклонение от нуля, тем больше асимметрия.
8 Эксцесс Эксцесс - показатель плосковершинности или остроконечности графика распределения измеренного признака. Островершинное распределение характеризуется положительным эксцессом ( Ех > 0) Плосковершинное - отрицательным ( Ех < 0) « Средневершинное » (нормальное) распределение имеет нулевой эксцесс ( Ех = 0).
Если в распределении преобладают крайние значения, причем одновременно и более низкие, и более высокие, то такое распределение характеризуется отрицательным эксцессом и в центре распределения может образоваться впадина, превращающая его в двувершинное :
10 Асимметрия, эксцесс Формула показателя асимметрии следующая: Показатель эксцесса определяется по формуле:
11 Проверка нормальности распределения Рассмотрим применение метода Е.И. Пустыльника. Действовать будем по следующему алгоритму: 1) рассчитаем критические значения показателей асимметрии и эксцесса по формулам Е.И. Пустыльника и сопоставим с ними эмпирические значения; 2) если эмпирические значения показателей окажутся ниже критических, сделаем вывод о том, что распределение признака не отличается от нормального. Формулы для определения критических значений асимметрии и эксцесса (формулы Е.И. Пустыльника ): Для обработки данных понадобятся такие последовательные шаги: вычисление Мх, σ, A, E и подсчет п. | А |<A кр } → распределение совпадает с нормальным | Е |< Екр}
12 Проверка нормальности распределения (пример)
13 Проверка нормальности распределения (пример)
14 Проверка нормальности распределения (пример)
15 Проверка нормальности распределения (пример)
Приведение распределения к стандартной форме. Любое множество значений показателя со средним значением Мх и стандартным показателем σ можно преобразовать в другое множество, среднее значение которого равно 0, а стандартное отклонение - равно1. Необходимость в таком преобразовании возникает когда требуется сопоставить значения показателей, имеющих разную размеренность, т.е. измеренных по шкалам с различными единицами измерения (баллы, секунды, см и т.д.). Такое преобразование называется стандартизация или нормирование и позволяет получить стандартизированные или нормированные значения исходных данных. 16
17
18
19
20 Статистическая норма Принято считать, что в пределах Мх ± 2 σ располагаются значения, относящиеся к статистической норме, то есть те значения, которые включены в так называемый 95%-ный доверительный интервал. Знание Мх и σ можно использовать для выведения статистической нормы. Обязательные для этой процедуры условия: соответствие распределения нормальному и п ≥ 30. Например, необходимо определить границы нормы для российской выборки у переведенного недавно с английского языка теста. После перевода и адаптации мы проводим исследование на оптантах, чьим родным языком является русский. По окончании обработки результатов получаем: п = 80, Мх = 30, σ = 5,9. Границы статистической нормы для теста лежат в диапазоне Мх ± 2 σ, то есть 30 ±11,8. Таким образом, верхняя граница нормы = 18, нижняя = 42.
Деление выборки на три подгруппы. Первая центральная подгруппа образуется из испытуемых, имеющих значение показателя в пределах Мх ± σ. Во вторую подгруппу выделяются испытуемые со значениями показателя, превышающего Мх + σ. Третью группу образуют испытуемые, у которых значение показателя ниже Мх - σ. Значения показателей центральной подгруппы испытуемых рассматривают в качестве нормы ; второй и третье подгрупп – соответственно, выше и ниже нормы. 21
22
Выбор типа шкалы зависит от исходных данных. Если сырой балл принимает значения от 0 до 100 и мы стандартизируем его в стены, то явно теряем слишком много информации, т.к. внутри одного стандартного интервала может находиться достаточно много сырых баллов. Это неприемлемо. Поэтому, при большом диапазоне сырых баллов используются Т-баллы. В тестах интеллекта традиционно используется IQ, если интервал значений сырых баллов невелик, то можно использовать стены. 23
Процедура приведения распределения к нормальному виду носит название нормализация, а преобразованные исходные данные называются нормализованными. Нормализованные значения могут быть найдены с помощью таблиц, в которых приводится процент случаев (процентили) разных отклонений в единицах σ от среднего значения для нормальной кривой. Алгоритм: сначала определяется процент испытуемых в исследуемой выборке с тем же или более высоким исходным значением показателя (вычисляются соответствующие кумуляты распределения - распределение признака в вариационном ряду по накопленным частотам). Затем этот процент отыскивается в таблице нормального распределения частот и по нему находится соответствующее значение нормализованного стандартного показателя. Далее распределению этих нормализованных значений путем соответствующего линейного преобразования можно придать любую удобную для последующего анализа форму. 24
Процедура нормализации исходного распределения испытуемых по возрасту. 25 Возраст испытуемого (лет) 17 18 19 20 21 22 23 Кол-во испытуемых данного возраста 2 15 14 6 6 5 2 Доля испытуемых данного возраста (%) 4 30 28 12 12 10 4 Кумулята распределения (%) 4 34 62 74 86 96 100
26 Нормализованные значения Z - 1, 75 -0,41 0,31 0,64 1,08 1,75 3,09 Значения Т -баллов 32, 5 45,9 53,1 56,4 60,8 67,5 80,9
