dr Katarzyna Jermakowicz

Statystyka
Wykład 3
Zmienne losowe i ich rozkłady
Czy można określić, co jest normą?

„Normalność nie jest kwestią statystyki”

George Orwell, 1984
Zmienna losowa

Funkcja 𝑿: 𝛀 → 𝑹, która każdemu zdarzeniu elementarnemu

przyporządkowuje wartość liczbową.

Przykład 1:
Doświadczenie – rzut monetą, czyli Ω = orzeł, reszka . Zmienną
losową może być np.
a) 𝑋 𝑜𝑟𝑧𝑒ł = 1, 𝑋 𝑟𝑒𝑠𝑧𝑘𝑎 = 0
b) 𝑋 𝑜𝑟𝑧𝑒ł = 20, 𝑋 𝑟𝑒𝑠𝑧𝑘𝑎 = −10
c) 𝑋 𝑜𝑟𝑧𝑒ł = 100, 𝑋 𝑟𝑒𝑠𝑧𝑘𝑎 = 1000
W tym przypadku (rzut monetą) wartości zmiennej losowej są zawsze
dwie.
Zmienna losowa
Przykład 2:
Doświadczenie – dwukrotny rzut kostką, czyli Ω = 36.
Zmienna losowa to suma wyrzuconych oczek.
I rzut \ II rzut 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Zmienna losowa

Przykład 3:
Doświadczenie – rzucamy kostką aż do momentu, kiedy wypadnie 6,
czyli Ω = 6, nie 6, 6 , nie 6, nie 6, 6 , nie 6, nie 6, nie 6, 6 , …
Zmienna losowa to ilość wykonanych rzutów.
𝑋 6 = 1,
𝑋 𝑛𝑖𝑒 6, 6 = 2
𝑋 𝑛𝑖𝑒 6, 𝑛𝑖𝑒 6, 6 = 3
𝑋 𝑛𝑖𝑒 6, 𝑛𝑖𝑒 6, 𝑛𝑖𝑒 6, 6 = 4 ........
Wartościami tej zmiennej losowej są dodatnie liczby naturalne.
Zmienna losowa

Przykład 4:
Doświadczenie – losujemy 1 opakowanie mąki z magazynu sklepu,
czyli przestrzeń Ω to zbiór wszystkich opakowań mąki.
Zmienna losowa to waga wylosowanego opakowania.

Wartościami tej zmiennej losowej jest dowolna liczba dodatnia

(zapewne zbliżona do 1000 g).
Rodzaje zmiennych losowych

zmienne losowe dyskretne – zmienne, które mogą przyjmować

skończoną lub przeliczalną liczbę wartości
• przykłady 1, 2, 3
• ilość błędów na stronie książki
• ilość połączeń w ciągu godziny

zmienne losowe ciągłe – zmienne, która mogą przyjmować

dowolną wartość z danego przedziału
• przykład 4
• temperatura
• czas
Rozkład zmiennej losowej dyskretnej

To zbiór par 𝒙𝒊 , 𝒑𝒊 , gdzie 𝒙𝒊 to wartość zmiennej losowej 𝑿, a 𝒑𝒊 to

prawdopodobieństwo, że zmienna losowa 𝑿 przyjmie wartość 𝒙𝒊 (inna
nazwa – rozkład prawdopodobieństwa zmiennej).

Własność: suma prawdopodobieństw 𝒑𝒊 wynosi 1.

Z przykładu 1:

𝑥𝑖 0 1
𝑥𝑖 -10 20
𝑝𝑖 1/2 1/2 𝑥𝑖 100 1000
𝑝𝑖 1/2 1/2
𝑝𝑖 1/2 1/2
a) b) c)
Rozkład zmiennej losowej dyskretnej

Z przykładu 2:
𝑥𝑖 2 3 4 5 6 7 8 9 10 11 12
𝑝𝑖 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
0,18

0,16

0,14

0,12

0,1

0,08

0,06

0,04

0,02

0
2 3 4 5 6 7 8 9 10 11 12
 Rozkład zmiennej losowej dyskretnej

𝑥𝑖 1 2 3 4 …
Z przykładu 3: 𝑝𝑖 1/6 5/36 25/216 125/1296
0,18

0,16

0,14

0,12

0,1

0,08

0,06

0,04

0,02

0
1 2 3 4 5 6 7 8 9 10 11 12 13
 Dystrybuanta

To funkcja, która podaje

skumulowane
prawdopodobieństwo,
czyli prawdopodobieństwo,
że zmienna losowa przyjmie
co najwyżej określoną
wartość 𝒙.
𝑭 𝒂 =𝑷 𝑿≤𝒂
𝑭 𝒂 = ෍ 𝒑𝒊
𝒙𝒊 ≤𝒂
dystrybuanta z przykładu 1
 Dystrybuanta

Dystrybuanta
z przykładu 2:
- oś pozioma –
suma wyrzuconych
oczek w dwóch
rzutach (wartości
zmiennej losowej)
- oś pionowa –
prawdopodobieństwo,
że suma wyrzuconych
oczek wynosi
co najwyżej
daną wartość.
1 2 3 6
Np. 𝐹 4 = 𝑃 𝑋 ≤ 4 = 𝑃 2 + 𝑃 3 + 𝑃 4 = 36 + 36 + 36 = 36
Wielkości charakteryzujące zmienną losową

Wartość oczekiwana – średnia ważona wszystkich możliwych

wartości zmiennej, w której wagami są prawdopodobieństwa tych
wartości, oznaczana jako
𝝁 = 𝑬 𝑿 = ෍ 𝒙𝒊 ∙ 𝒑𝒊
W przykładzie 1:
1 1 1 1 1
a) 𝐸(𝑋) = 0 ∙ 2 + 1 ∙ 2 = 2 b) 𝐸(𝑋) = −10 ∙ 2 + 20 ∙ 2 = 5
1 1
c) 𝐸(𝑋) = 100 ∙ 2 + 100 ∙ 2 = 550
W przykładzie 2:
1 2 3 1 250
𝐸(𝑋) = 2 ∙ +3∙ + 4 ∙ … + 12 ∙ = ≈ 6,9
36 36 36 36 36
Wielkości charakteryzujące zmienną losową

Wariancja zmiennej losowej – średnie kwadratowe odchylenie

wartości zmiennej losowej od jej wartości średniej (miara rozproszenia
w jednostkach kwadratowych)

𝝈𝟐 = 𝑽 𝑿 = ෍ 𝒙𝒊 − 𝝁 𝟐 ∙ 𝒑𝒊
Odchylenie standardowe – pierwiastek kwadratowy z wariancji (miara
rozproszenia)
𝝈= 𝑽 𝑿
Wielkości charakteryzujące zmienną losową

W przykładzie 1:
1 2
1 1 2 1 1 1 1
a) 𝑉 𝑋 = 0 −
2
∙ + 1−
2 2
∙ =
2 4
𝜎=
4
=
2
1 1
b) 𝑉 𝑋 = −10 − 5 2 ∙ 2 + 20 − 5 2 ∙ 2 = 225 𝜎= 225 = 15
1 1
c) 𝑉 𝑋 = 100 − 550 2 ∙ 2 + 1000 − 550 2 ∙ 2 = 202 500 𝜎 = 450

W przykładzie 2:
1 2 3
𝑉 𝑋 = 2 − 6,9 2 ∙ 36 + 3 − 6,9 2 ∙ 36 + 4 − 6,9 2 ∙ 36 + ⋯ +
2 1
+ 12 − 6,9 ∙ 36 ≈ 5,8 𝜎 ≈ 2,4
Rozkład dwumianowy (rozkład Bernoulliego)

Założenia:
Ciąg identycznych, niezależnych doświadczeń (prób)
→ ilość prób to 𝒏
W każdej próbie możliwe tylko dwa wyniki: sukces lub porażka
→ prawdopodobieństwo sukcesu w 1 próbie to 𝒑
→ prawdopodobieństwo porażki w 1 próbie to 𝒒 = 𝟏 − 𝒑
Zmienna losowa to ilość sukcesów w 𝒏 próbach → oznaczane jako 𝒌
𝒏
𝑷 𝑿=𝒌 = ∙ 𝒑𝒌 ∙ 𝒒𝒏−𝒌
𝒌
W Excelu: 𝑷(𝑿 = 𝒌) = 𝑹𝑶𝒁𝑲Ł. 𝑫𝑾𝑼𝑴(𝒌; 𝒏; 𝒑; 𝟎)
Dystrybuanta: 𝑷 𝑿 ≤ 𝒌 = 𝑭 𝒌 = 𝑹𝑶𝒁𝑲Ł. 𝑫𝑾𝑼𝑴(𝒌; 𝒏; 𝒑; 𝟏)
Rozkład dwumianowy – przykład

Wiadomo, że pewna maszyna produkuje 10% wyrobów wadliwych.

Wybrano losowo próbę dwunastoelementową.
a) Jakie jest prawdopodobieństwo, że wylosowano 3 sztuki wadliwe?
b) Jakie jest prawdopodobieństwo, że wylosowano co najwyżej 3
sztuki wadliwe?
Rozkład dwumianowy – przykład
Wiadomo, że pewna maszyna produkuje 10% wyrobów wadliwych.
Wybrano losowo próbę dwunastoelementową.
a) Jakie jest prawdopodobieństwo, że wylosowano 3 sztuki wadliwe?
b) Jakie jest prawdopodobieństwo, że wylosowano co najwyżej 3
sztuki wadliwe?

• 𝒏 = 𝟏𝟐
• 𝒑 = 𝟎, 𝟏
• 𝒒 = 𝟎, 𝟗
• 𝒌 = 𝟑 w a) oraz 𝒌 ≤ 𝟑 w b), czyli 𝒌 = 𝟎, 𝟏, 𝟐, 𝟑

a) 𝑷 𝑿 = 𝟑 = 𝑹𝑶𝒁𝑲Ł. 𝑫𝑾𝑼𝑴 𝟑; 𝟏𝟐; 𝟎, 𝟏; 𝟎 ≈ 𝟖, 𝟓%

b) 𝑷 𝑿 ≤ 𝟑 = 𝑷 𝑿 = 𝟎 + 𝑷 𝑿 = 𝟏 + 𝑷 𝑿 = 𝟐 + 𝑷 𝑿 = 𝟑 =
= 𝑭 𝟑 = 𝑹𝑶𝒁𝑲Ł. 𝑫𝑾𝑼𝑴 𝟑; 𝟏𝟐; 𝟎, 𝟏; 𝟏 ≈ 𝟗𝟕, 𝟒%
Rozkład dwumianowy – parametry

Wartość oczekiwana
𝝁=𝑬 𝑿 =𝒏∙𝒑
Wariancja
𝝈𝟐 = 𝑽 𝑿 = 𝒏 ∙ 𝒑 ∙ 𝒒
Odchylenie standardowe
𝝈= 𝒏∙𝒑∙𝒒
W przykładzie:
𝝁 = 𝟏, 𝟐 𝝈𝟐 = 𝟏, 𝟎𝟖 𝝈 ≈ 𝟏, 𝟎𝟒
 Rozkład dwumianowy – graficznie

n=12, p=0,1 n=12, p=0,5

0,4 0,25
0,35
0,2
0,3
0,25 0,15
0,2
0,15 0,1
0,1
0,05
0,05
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 0 1 2 3 4 5 6 7 8 9 10 11 12

n=30, p=0,7
0,2

0,15

0,1

0,05

0
0 3 6 9 12 15 18 21 24 27 30
Rozkład Poissona

Typowe zastosowanie:
Przybliżenie rozkładu dwumianowego, gdy 𝑛 duże (𝑛 ≥ 20), a 𝑝 małe
(𝑝 ≤ 0,05)
Liczba zajść pewnego zdarzenia w określonym przedziale czasu
𝝀𝒌 ∙𝒆−𝝀
𝑷 𝑿=𝒌 = (gdzie λ = 𝑛 ∙ 𝑝)
𝒌!

W Excelu: 𝑷(𝑿 = 𝒌) = 𝑹𝑶𝒁𝑲Ł. 𝑷𝑶𝑰𝑺𝑺𝑶𝑵(𝒌; 𝝀; 𝟎)

Dystrybuanta: 𝑷 𝑿 ≤ 𝒌 = 𝑹𝑶𝒁𝑲Ł. 𝑷𝑶𝑰𝑺𝑺𝑶𝑵(𝒌; 𝝀; 𝟏)
Rozkład Poissona – przykład 1

Jeden na 5000 łososi złowionych u wybrzeży Alaski ma pasożyty, więc

nie nadaje się do spożycia. Jakie jest prawdopodobieństwo, że w
ładunku 1800 łososi, co najwyżej 1 będzie miał pasożyty?
Rozkład Poissona – przykład 1

Jeden na 5000 łososi złowionych u wybrzeży Alaski ma pasożyty, więc

nie nadaje się do spożycia. Jakie jest prawdopodobieństwo, że w
ładunku 1800 łososi, co najwyżej 1 będzie miał pasożyty?

• 𝒏 = 𝟏𝟖𝟎𝟎 (duże)
• 𝒑 = 𝟏/𝟓𝟎𝟎𝟎 = 𝟎, 𝟎𝟎𝟎𝟐 (małe)
• 𝒌≤𝟏
𝑷 𝑿≤𝟏 =𝑷 𝑿=𝟎 +𝑷 𝑿=𝟏 =𝑭 𝟏

• λ = 𝟏𝟖𝟎𝟎 ∙ 𝟎, 𝟎𝟎𝟎𝟐 = 𝟎, 𝟑𝟔

𝑷 𝑿 ≤ 𝟏 = 𝑹𝑶𝒁𝑲Ł. 𝑷𝑶𝑰𝑺𝑺𝑶𝑵 𝟏; 𝟎, 𝟑𝟔; 𝟏 ≈ 𝟗𝟓%

Rozkład Poissona – przykład 2

Do stacji obsługi zgłaszają się samochody według rozkładu

Poissona** z wartością λ = 1 (samochodów na minutę). Jakie jest
prawdopodobieństwo, że w ciągu minuty zgłoszą się co najmniej 2
samochody?
** tzn.:
• prawdopodobieństwo, że zdarzenie zajdzie w krótkim przedziale czasu jest
proporcjonalne do długości przedziału
• prawdopodobieństwo, że w bardzo małym przedziale czasu zajdą dwa
zdarzenia jest bardzo małe
• prawdopodobieństwo, że w danym przedziale czasu zajdzie określona
liczba zdarzeń nie zależy od tego, gdzie się ten przedział zaczyna
Rozkład Poissona – przykład 2

Do stacji obsługi zgłaszają się samochody według rozkładu

Poissona** z wartością λ = 1 (samochodów na minutę). Jakie jest
prawdopodobieństwo, że w ciągu minuty zgłoszą się co najmniej 2
samochody?
𝝀=𝟏
𝒌≥𝟐
𝑷 𝑿 ≥𝟐 = 𝟏−𝑷 𝑿 < 𝟐
𝑷 𝑿 < 𝟐 = 𝑷 𝑿 ≤ 𝟏 = 𝑷 𝑿 = 𝟎 + 𝑷 𝑿 = 𝟏 = 𝑭(𝟏)
𝑷 𝑿 < 𝟐 = 𝑹𝑶𝒁𝑲Ł. 𝑷𝑶𝑰𝑺𝑺𝑶𝑵 𝟏; 𝟏; 𝟏 ≈ 𝟕𝟒%

𝑷 𝑿 ≥ 𝟐 ≈ 𝟏 − 𝟕𝟒% = 𝟐𝟔%
 Zmienne losowe ciągłe
To zmienna losowa, która może przyjmować dowolne wartości z
pewnego przedziału liczbowego
Prawdopodobieństwo związane z ciągłą zmienną losową 𝑋 jest
wyznaczone przez funkcję gęstości prawdopodobieństwa 𝒇(𝒙)

𝑷 𝒂 < 𝑿 ≤ 𝒃 - pole pod wykresem 𝒇(𝒙) między punktami 𝒂 i 𝒃

W szczególności: 𝑃 𝑋 = 𝑎 = 0
Własności funkcji 𝑓(𝑥):
𝒇(𝒙) ≥ 𝟎 dla wszystkich 𝒙
całe pole pod wykresem
𝒇(𝒙) wynosi 1
a b
Dystrybuanta zmiennej losowej ciągłej

To skumulowana funkcja rozkładu:

𝑭 𝒂 = 𝑷 𝑿 ≤ 𝒂 - pole pod wykresem 𝒇(𝒙) na lewo od
punktu 𝒂

a
Własności dystrybuanty

Przyjmuje wartości
z zakresu od 0 do 1
Jest rosnąca
𝐹 −∞ = 0

𝐹 +∞ 𝑎 = 1

𝐹 𝑎 = න 𝑓 𝑡 𝑑𝑡
−∞
a

Funkcja gęstości f Dystrybuanta F

Rozkład normalny (rozkład Gaussa)

„Do rozkładu normalnego prowadzi taki proces kształtowania

zjawiska, w ramach którego na dane zjawisko oddziałuje duża liczba
niezależnych czynników, których wpływ, traktowany odrębnie, jest
mało znaczący.”
Jóźwiak J., Podgórski J., Statystyka od podstaw

„Rozkład normalny jest tak rozpowszechniony, że Francis Galton

nazwał go najwyższym prawem przypadkowości.”
Aczel A., Statystyka w zarządzaniu
Czemu rozkład normalny jest tak ważny?

Rozkłady liczebności wielu pomiarów fizycznych, biologicznych i

psychologicznych mają rozkład normalny

Wyniki przeciętne występują

najczęściej

Przy nieograniczonym wzroście

liczby niezależnych doświadczeń
statystycznych, wszystkie znane
teoretyczne rozkłady zmiennych
losowych dążą do rozkładu
normalnego.
Definicja rozkładu normalnego

Zmienna losowa 𝑿 ma rozkład normalny o parametrach µ oraz 𝝈

[w skrócie piszemy 𝑿~𝑵(𝝁, 𝝈)], jeśli funkcja gęstości tej zmiennej
losowej jest postaci:

𝟏 𝒙−𝝁 𝟐
−
𝒇 𝒙 = 𝒆 𝟐𝝈𝟐
𝝈 𝟐𝝅
Rozkład o parametrach
𝜇 = 0, 𝜎 = 1 nazywamy
rozkładem standardowym
i piszemy:
𝑿~𝑵(𝟎, 𝟏)
Wpływ parametrów na kształt krzywej normalnej
Reguła trzech sigm

W dowolnym rozkładzie normalnym:

• około 68,3% wartości (obserwacji) mieści się w granicach jednego

odchylenia standardowego wokół średniej,

• około 95,5% mieści się w granicach dwóch odchyleń

standardowych,

• około 99,7% mieści się w granicach trzech odchyleń

standardowych.
Reguła trzech sigm

μ
Jak to liczymy? ☺

𝑷 𝒂 < 𝑿 ≤ 𝒃 = 𝑭 𝒃 − 𝑭(𝒂)
W Excelu:
• Funkcja gęstości: 𝒇 𝒙 = 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀(𝒙; 𝝁; 𝝈; 𝟎)

• Dystrybuanta: 𝑭 𝒙 = 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀(𝒙; 𝝁; 𝝈; 𝟏)

Stąd:
𝑷 𝒂<𝑿≤𝒃 =
𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀 𝒃; 𝝁; 𝝈; 𝟏
− 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀(𝒂; 𝝁; 𝝈; 𝟏)
Rozkład normalny standardowy – wzorki i własności

Oznaczenie: 𝑼~𝑵 𝟎, 𝟏
Funkcja gęstości: 𝝋(𝒖)
Dystrybuanta: 𝜱(𝒖)
Własności:
𝝋 −𝒖 = 𝝋 𝒖
𝝋 𝟎 = 𝟎, 𝟓
𝜱 −𝒖 = 𝟏 − 𝜱(𝒖)
W Excelu: 𝝋 𝒖 = 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀. 𝑺(𝒖; 𝟎)
𝜱 𝒖 = 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀. 𝑺(𝒖; 𝟏)
Rozkład normalny – przykład 1

Waga osób (w kg) w pewnej populacji ma rozkład normalny

𝑁(65, 6).
Oblicz prawdopodobieństwo, że przypadkowa osoba z tej populacji
będzie miała wagę z przedziału większą niż 61 kg, ale mniejszą niż 72
kg.
Rozkład normalny – przykład 1, rozwiązanie

Waga osób (w kg) w pewnej populacji ma rozkład normalny

𝑁(65, 6).
Oblicz prawdopodobieństwo, że przypadkowa osoba z tej populacji
będzie miała wagę większą niż 61 kg, ale mniejszą niż 72 kg.

𝑷 𝟔𝟏 < 𝑿 < 𝟕𝟐 =

= 𝑭 𝟕𝟐 − 𝑭 𝟔𝟏 =

= 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀 𝟕𝟐; 𝟔𝟓; 𝟔; 𝟏

−𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀 𝟔𝟏; 𝟔𝟓; 𝟔; 𝟏

≈ 𝟖𝟖% − 𝟐𝟓% ≈ 𝟔𝟑%

Rozkład normalny – przykład 2

Prowadzący ćwiczenia przychodzi najczęściej 1,5 minuty przed

rozpoczęciem zajęć.
Załóżmy, że czas przyjścia na ćwiczenia ma rozkład normalny
z odchyleniem standardowym 1,25 minuty.
a) Oblicz prawdopodobieństwo, że nie spóźni się na najbliższe
ćwiczenia.
b) Jaka jest szansa, że przyjdzie pięć minut „po dzwonku”?
Rozkład normalny – przykład 2, rozw.

Z danych wynika, że czas przyjścia na

zajęcia ma rozkład normalny 𝑁(−1,5; 1,25)
a) Prawdopodobieństwo, że nie spóźni się na najbliższe ćwiczenia, to
𝑷 𝑿 < 𝟎 = 𝑭 𝟎 = 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀 𝟎; −𝟏, 𝟓; 𝟏, 𝟐𝟓; 𝟏 ≈
𝟖𝟖, 𝟓%
b) Prawdopodobieństwo, że przyjdzie dokładnie 5 minut „po
dzwonku” wynosi 0.
Prawdopodobieństwo, że przyjdzie co najmniej 5 minut „po
dzwonku” wynosi:
𝑷 𝑿≥𝟓 =𝟏−𝑷 𝑿<𝟓
= 𝟏 − 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀 𝟓; −𝟏, 𝟓; 𝟏, 𝟐𝟓; 𝟏 ≈ 𝟏 − 𝟏 = 𝟎
Rozkład normalny – przykład 3

Średni wskaźnik obrotu netto (relacja wyniku finansowego netto do

przychodów z całokształtu działalności gospodarczej) dla
przedsiębiorstw z działu usług transportowych wynosi 3,4%.
Zakładając, że wskaźnik rentowności w tym dziale ma rozkład
normalny z odchyleniem standardowym 1,8% , obliczyć, jakie jest
prawdopodobieństwo, że w wylosowanej firmie rentowność:
a) będzie nie większa niż 4%,
b) wynosi co najmniej 3%,
c) będzie z przedziału od 2% do 5%.
 Rozkład normalny – przykład 3, rozwiązanie

Z danych wynika, że średni wskaźnik obrotu netto ma rozkład normalny

X~𝑁(3,4%; 1,8%)
a) 𝑷 𝑿 ≤ 𝟒% = 𝑭 𝟒% =
= 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀 𝟒%; 𝟑, 𝟒%; 𝟏, 𝟖%; 𝟏 ≈ 𝟔𝟑%
b) 𝑷 𝑿 ≥ 𝟑% = 𝟏 − 𝑭 𝟑% =
= 𝟏 − 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀 𝟑%; 𝟑, 𝟒%; 𝟏, 𝟖%; 𝟏 ≈ 𝟏 − 𝟒𝟏% ≈ 𝟓𝟗%
c) 𝑷 𝟐% < 𝑿 < 𝟓% = 𝑭 𝟓% − 𝑭 𝟐% =
= 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀 𝟓%; 𝟑, 𝟒%; 𝟏, 𝟖%; 𝟏
− 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀 𝟐%; 𝟑, 𝟒%; 𝟏, 𝟖%; 𝟏 ≈ 𝟖𝟏% − 𝟐𝟐% ≈ 𝟓𝟗%
 Można też obliczyć odwrotnie

Dla jakiej wartości 𝑎, prawdopodobieństwo, że zmienna losowa 𝑋

przyjmie wartość 𝑋 ≤ 𝑎, wynosi 𝑝?
Używamy do tego funkcji
odwrotnej do dystrybuanty

W Excelu:
𝒂 = 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀. 𝑶𝑫𝑾(𝒑, 𝝁, 𝝈)
Rozkład normalny – przykład 4

Zawartość procentowa białka w pewnym produkcie spożywczym jest

zmienną losową o średniej 11,2% i odchyleniu standardowym 0,6%.
Producent ma zamiar napisać na opakowaniu, że produkt zawiera nie
mniej niż 𝑥1 i nie więcej niż 𝑥2 białka i chce, by to stwierdzenie
potwierdzało się w 99% przypadków.
Wyznacz 𝑥1 i 𝑥2, tak, by leżały symetrycznie względem średniej
zawartości białka.
Rozkład normalny – przykład 4, rozwiązanie

Z danych wynika, że procentowa zawartość białka ma rozkład

normalny X~𝑁(11,2%; 0,6%)
Skoro zielone pole wynosi 99%,
to pole obu „ogonów”
musi wynosić łącznie 1%,
czyli pole każdego z nich
to 0,5%.
Czyli pole na lewo od 𝑥1 to 0,5%,
a pole na lewo od 𝑥2 to 99,5%,
W takim razie:
𝒙𝟏 = 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀. 𝑶𝑫𝑾 𝟎, 𝟓%; 𝟏𝟏, 𝟐%; 𝟎, 𝟔% ≈ 𝟗, 𝟕%
𝒙𝟐 = 𝑹𝑶𝒁𝑲Ł. 𝑵𝑶𝑹𝑴𝑨𝑳𝑵𝒀. 𝑶𝑫𝑾 𝟗𝟗, 𝟓%; 𝟏𝟏, 𝟐%; 𝟎, 𝟔% ≈ 𝟏𝟐, 𝟕%