Wprowadź równanie lub problem
Kamera nie rozpoznaje wprowadzenia!

Rozwiązanie - Kumulacyjne prawdopodobieństwo w standardowym rozkładzie normalnym

Prawdopodobieństwo skumulowane 100%
100%

Krok po kroku wyjaśnienie

1. Znajdź prawdopodobieństwo skumulowane dla wartości z-scores aż do 3.1

Użyj dodatniej tabeli z, aby znaleźć wartość odpowiadającą 3,1. Ta wartość to kumulacyjne prawdopodobieństwo obszaru po lewej stronie 3,1.

Z0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0,00000000000
0,10000000000
0,20000000000
0,30000000000
0,40000000000
0,50000000000
0,60000000000
0,70000000000
0,80000000000
0,90000000000
1,00000000000
1,10000000000
1,20000000000
1,30000000000
1,40000000000
1,50000000000
1,60000000000
1,70000000000
1,80000000000
1,90000000000
2,00000000000
2,10000000000
2,20000000000
2,30000000000
2,40000000000
2,50000000000
2,60000000000
2,70000000000
2,80000000000
2,90000000000
3,00000000000
3,10000000000
3,20000000000
3,30000000000
3,40000000000
3,50000000000
3,60000000000
3,70000000000
3,80000000000
3,90000000000

Wynik z-score 3,1 odpowiada obszarowi 0
p(x<3,1)=0
Prawdopodobieństwo kumulacyjne, że x<3,1, to 0%

2. Znajdź kumulatywne prawdopodobieństwo wartości z-scores większych niż 3.1

Aby znaleźć skumulowane prawdopodobieństwo wartości większych niż 3,1, musimy odjąć skumulowane prawdopodobieństwo wartości mniejszych niż 3,1 od całkowitego prawdopodobieństwa pod krzywą, które wynosi 1:

10=1
p(0,56>x>3,1)=1
Skumulowane prawdopodobieństwo x>3,1 wynosi 100%

3. Znajdź kumulatywne prawdopodobieństwo wartości z-scores do 0.56

Użyj negatywnej tabeli z, aby znaleźć wartość odpowiadającą 0,56. Ta wartość jest skumulowanym prawdopodobieństwem obszaru po lewej stronie od 0,56.

Z0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-3,90000000000
-3,80000000000
-3,70000000000
-3,60000000000
-3,50000000000
-3,40000000000
-3,30000000000
-3,20000000000
-3,10000000000
-3,00000000000
-2,90000000000
-2,80000000000
-2,70000000000
-2,60000000000
-2,50000000000
-2,40000000000
-2,30000000000
-2,20000000000
-2,10000000000
-2,00000000000
-1,90000000000
-1,80000000000
-1,70000000000
-1,60000000000
-1,50000000000
-1,40000000000
-1,30000000000
-1,20000000000
-1,10000000000
-1,00000000000
-0,90000000000
-0,80000000000
-0,70000000000
-0,60000000000
-0,50000000000
-0,40000000000
-0,30000000000
-0,20000000000
-0,10000000000
0,00000000000

Wartość z wynosząca 0,56 odpowiada obszarowi 0
p(x<0,56)=0
Skumulowane prawdopodobieństwo, że x<0,56 wynosi 0%

4. Oblicz kumulatywne prawdopodobieństwo wartości większych niż 3.1 i mniejszych niż -0.56

Dodaj prawdopodobieństwo skumulowane obszaru z prawej strony od wyższej wartości z (wszystko po prawej stronie 3,1) do prawdopodobieństwa skumulowanego obszaru z lewej strony od niższej wartości z (wszystko po lewej stronie 0,56):

1+0=1
p(0,56>x>3,1)=1
Prawdopodobieństwo skumulowane dla 0,56>x>3,1 wynosi 100%

Dlaczego uczyć się tego

Rozkład normalny jest ważny, ponieważ często spotykamy go w naturze. Jeżeli zebraliśmy dużo różnych miar, jak na przykład wzrost człowieka, pomiarów ciśnienia krwi czy wyników testów IQ, one będą podążać za rozkładem normalnym.

W psychologii widzimy wiele zmiennych o normalnym rozkładzie. Przykładowo, umiejętność czytania, introwersja czy satysfakcja z pracy. W inwestowaniu, rozkład normalny pokazuje zwroty z różnych klas aktywów. Mimo że te rozkłady są tylko mniej więcej normalne, są wystarczająco bliskie, żebyśmy mogli je traktować jako normalne.

Rozkład normalny jest łatwy do obsługi. Wiele testów statystycznych na niego się opiera. Co więcej, te testy działają dobrze nawet, gdy rozkład jest tylko w przybliżeniu normalny. Przykładowo, jeżeli znamy średnią i odchylenie standardowe zestawu, a zestaw podąża za rozkładem normalnym, łatwo możemy przeliczyć percentyle na surowe wyniki.

Każdy rozkład normalny możemy standaryzować do standardowego rozkładu normalnego. Dzięki temu, możemy porównać dwa lub więcej oddzielnych zestawów danych. Korzystając z standardowego rozkładu normalnego, możemy oszacować prawdopodobieństwa zdarzeń związanych z rozkładem normalnym. Dzięki temu, możemy przewidzieć na przykład, jak wysoki będzie prawdopodobnie człowiek.