Binaryoptions.com публикует все статьи в соответствии со строгими редакционными правилами. Благодаря нашим опытным авторам и системе контроля мы публикуем проверенный и проверенный контент. Мы также обновляем наш существующий контент новейшей информацией и предоставляем нашим читателям последние новости. 
Предположим, вы задались вопросом о самом важном непрерывном распределении вероятностей в теории вероятностей и экономике. В этом случае нормальное распределение может удовлетворить ваши мысли. Некоторые люди называют это распределением Гаусса и кривой нормального распределения.
С помощью нормального распределения многие случайные переменные представлены в экономике и торговле. Кроме того, трейдеры также могут использовать его для получения других вероятностных распределений. Следовательно, это имеет большое значение, когда дело доходит до анализа данных. Давайте узнаем больше о нормальном распределении, его определении и примере.
Определение нормального распределения
Чтобы понять нормальное распределение, давайте предположим функцию плотности, где f (x) — ее вероятность, а X — случайная величина. Следовательно, он определяет функцию, интегрированную между диапазоном (от х до х + дх). Кроме того, он дает вероятность X, рассматривая значения между Икс и х+дх.
f(x) ≥ 0 ∀ x ϵ (−∞, +∞)
И -∞∫+∞ е (х) = 1
Наконец, мы можем сказать, что нормальное распределение — это функция плотности вероятности для непрерывной случайной величины в системе.
Формула нормального распределения
Вы можете найти функцию плотности вероятности распределения Гаусса, используя следующую формулу:
Где:
- Икс переменная
- мю представляет собой среднее
- σ относится к стандартному отклонению
Кривая нормального распределения
Кривая нормального распределения обычно имеет форму колокола. Вот почему колоколообразная кривая — это другое название этой кривой распределения. В нормальном распределении случайные величины могут принимать любое неизвестное значение из заданного диапазона. Вы также можете обращаться к этим случайным переменным как к непрерывным переменным.
Например, учащиеся в школе имеют рост в диапазоне, скажем, от 0 до 6 футов. Однако на этот диапазон влияют физические ограничения человека.
На самом деле диапазон переменных может простираться даже от –∞ до +∞. Нормальное распределение здесь обеспечит вероятность того, что значение находится в определенном диапазоне эксперимента. Предположим, вы не можете уделять много времени всем расчетам. В этом случае вы можете использовать калькулятор нормального распределения, чтобы найти плотность вероятности, указав стандартное отклонение и среднее значение.
Стандартное отклонение нормального распределения
Обычно стандартное отклонение положительно в нормальном распределении. На кривой нормального распределения среднее значение определяет линию симметрии. Напротив, стандартное отклонение определяет, насколько далеко разбросаны данные.
Меньшее стандартное отклонение приведет к более узкому графику и наоборот.
Если мы используем стандартное отклонение, проверяемое правило гласит:
- Одно стандартное отклонение среднего значения содержит приблизительно 68% данных.
- Приблизительные данные 95% находятся в пределах двух стандартных отклонений от среднего значения.
- Три средних стандартных отклонения составляют около 99,7% от всех данных.
Таким образом, мы также называем эмпирическое правило правилом 68–95–99,7.
Пример нормального распределения
Предположим, что значение случайной величины равно 2. Если Среднее значение равно 5, а стандартное отклонение равно 4, можно найти нормальное распределение по формуле плотности вероятности:
f(2,2,4) = 1/(4√2π) e0
f(2,2,4) = 0,0997
Среднее значение и стандартное отклонение — два жизненно важных параметра нормального распределения. Без них вы не сможете найти нормальное распределение и использовать его с другими торговыми индикаторами для принятия точных решений.
