Jaki rozkład prawdopodobieństwa wybrać?
Praktyczny poradnik do wyboru rozkładu: dwumianowego, Poissona, normalnego, wykładniczego, gamma, Weibulla, lognormalnego, Pareto, beta i rozkładów testowych.
Zostań w temacie i policz od razu
Dobór rozkładu jest łatwiejszy, gdy od razu porównasz założenia z konkretnymi obliczeniami. Jeśli liczysz sukcesy i porażki, zacznij od rozkładu dwumianowego Bernoulliego. Jeśli analizujesz zliczenia zdarzeń w czasie albo przestrzeni, sprawdź rozkład Poissona. Przy danych dodatnich i skośnych przydadzą się rozkład lognormalny, rozkład gamma i rozkład Weibulla.
Najpierw ustal, co jest zmienną losową
Najczęstszy błąd przy wyborze rozkładu polega na tym, że zaczynamy od nazwy rozkładu, a nie od pytania, co właściwie mierzymy. Inny rozkład pasuje do liczby sukcesów, inny do czasu oczekiwania, inny do dodatnich wartości skośnych, a jeszcze inny do statystyki testowej. Dlatego pierwsze pytanie brzmi: czy zmienna jest dyskretna, czy ciągła?
Zmienna dyskretna przyjmuje oddzielne wartości, najczęściej całkowite: liczba sukcesów, liczba błędów, liczba klientów, liczba awarii, liczba zgłoszeń. Zmienna ciągła może przyjmować wartości z przedziału: czas, masa, wzrost, koszt, stężenie, wytrzymałość, czas życia elementu albo wynik pomiaru.
Drugie pytanie dotyczy ograniczeń. Czy wartości mogą być ujemne? Czy wynik jest zawsze dodatni? Czy zmienna mieści się między 0 i 1? Czy istnieje górna granica? Te odpowiedzi często od razu zawężają wybór. Proporcje dobrze opisuje rozkład beta, dodatnie dane skośne często pasują do lognormalnego lub gamma, a liczba sukcesów w n próbach do dwumianowego.
Szybka tablica wyboru rozkładu
| Sytuacja | Najczęściej pasujący rozkład | Typowe pytanie | Kalkulator |
|---|---|---|---|
| liczba sukcesów w n niezależnych próbach | dwumianowy | ile sukcesów uzyskam? | dwumianowy |
| losowanie bez zwracania z małej populacji | hipergeometryczny | ile trafień w próbie? | hipergeometryczny |
| liczba zdarzeń w czasie lub przestrzeni | Poissona | ile zgłoszeń/awarii/kliknięć? | Poissona |
| czas do pierwszego zdarzenia | wykładniczy | jak długo czekać? | wykładniczy |
| suma czasów oczekiwania lub dodatnie dane skośne | gamma | jaki jest czas/kwota/rozmiar? | gamma |
| trwałość, awaryjność, czas życia | Weibulla | jak zmienia się ryzyko awarii? | Weibulla |
| dane dodatnie, silnie prawostronnie skośne | lognormalny | jak opisać mnożnikowy wzrost? | lognormalny |
| ciężki prawy ogon i bardzo duże wartości | Pareto | jak duże jest ryzyko przekroczenia progu? | Pareto |
| niepewne prawdopodobieństwo p | beta | jaki może być udział lub skuteczność? | beta |
| średnia z małej próby | t-Studenta | jak uwzględnić nieznane odchylenie? | t-Studenta |
| wariancja i dopasowanie kategorii | chi-kwadrat | czy rozkład kategorii pasuje do oczekiwań? | chi-kwadrat |
| porównanie wariancji albo ANOVA | F-Fishera | czy grupy różnią się bardziej niż wewnętrznie? | F-Fishera |
Rozkłady dyskretne: sukcesy, zliczenia i losowanie
Gdy wynik jest liczbą całkowitą, najczęściej zaczynamy od rozkładów dyskretnych. Rozkład dwumianowy pasuje do sytuacji, w której wykonujesz n prób, każda kończy się sukcesem albo porażką, a prawdopodobieństwo sukcesu jest stałe. Typowe przykłady to liczba poprawnych odpowiedzi, liczba konwersji, liczba wadliwych sztuk albo liczba trafień.
Rozkład hipergeometryczny wygląda podobnie, ale dotyczy losowania bez zwracania. Jeśli populacja jest mała, a każda wylosowana sztuka zmienia skład pozostałych, dwumianowy może być zbyt uproszczony. Hipergeometryczny jest wtedy naturalniejszy, bo bierze pod uwagę wielkość populacji, liczbę elementów wyróżnionych i rozmiar próby.
Rozkład Poissona pasuje do liczby zdarzeń w ustalonym czasie, obszarze lub jednostce obserwacji: zgłoszeń na godzinę, awarii na miesiąc, błędów na stronę, klientów w kolejce, kliknięć w reklamę. Najważniejsze założenie jest takie, że interesuje nas częstość zdarzeń, a nie maksymalna liczba prób.
Rozkłady ciągłe: normalny, jednostajny i dodatnie dane skośne
Rozkład normalny jest dobrym kandydatem, gdy dane są ciągłe, symetryczne, jednoszczytowe i powstają z wielu drobnych niezależnych wpływów. Często pojawia się przy pomiarach, wynikach testów, błędach pomiarowych i średnich z próby. Jeżeli pracujesz ze średnią, przedziałem ufności albo z-score, normalny bywa pierwszym punktem odniesienia.
Rozkład jednostajny ciągły wybieramy wtedy, gdy każda wartość z przedziału jest tak samo prawdopodobna. To prosty model bazowy, użyteczny w symulacjach, losowaniu liczb z zakresu albo sytuacjach, w których nie chcemy wyróżniać żadnego fragmentu przedziału.
Dane dodatnie, których rozkład jest wyraźnie prawostronnie skośny, często wymagają innego podejścia. Lognormalny pasuje, gdy zmienność ma charakter mnożnikowy, gamma gdy modelujesz dodatnie wielkości i sumy czasów, a Weibulla gdy kluczowa jest trwałość lub zmieniające się ryzyko awarii. Pareto wybieramy przy ciężkim prawym ogonie, gdy bardzo duże wartości są rzadkie, ale mają ogromne znaczenie.
Rozkłady do czasu oczekiwania i awaryjności
Jeżeli interesuje Cię czas do zdarzenia, zwykle nie zaczynasz od rozkładu normalnego. Czas jest dodatni, często skośny i nie może spaść poniżej zera. Dla czasu do pierwszego zdarzenia naturalny jest rozkład wykładniczy. Jego charakterystyczną cechą jest stałe natężenie zdarzeń, czyli brak „starzenia się” procesu.
Gdy czas składa się z kilku etapów albo czekasz na kolejne zdarzenia, lepiej pasuje rozkład gamma. Jest elastyczny i pozwala modelować różne kształty dodatnich danych. W praktyce przydaje się przy czasach obsługi, sumach oczekiwań, kosztach i zmiennych, które są zawsze dodatnie.
W analizie trwałości często używa się rozkładu Weibulla. Jego zaleta polega na tym, że potrafi opisać malejące, stałe albo rosnące ryzyko awarii. Dzięki temu nadaje się do danych technicznych, jakościowych, serwisowych i niezawodnościowych.
Rozkłady testowe: t-Studenta, chi-kwadrat i F-Fishera
Niektóre rozkłady wybiera się nie dlatego, że opisują surowe dane, ale dlatego, że opisują statystykę testową. Rozkład t-Studenta pojawia się przy testach średniej i przedziałach ufności, szczególnie gdy próba jest mała, a odchylenie standardowe populacji nie jest znane. Jest podobny do normalnego, ale ma cięższe ogony.
Rozkład chi-kwadrat pojawia się przy wariancji, testach zgodności i niezależności. Jeśli liczysz statystykę opartą na sumie kwadratów odchyleń albo porównujesz liczebności obserwowane z oczekiwanymi, chi-kwadrat jest naturalnym wyborem.
Rozkład F-Fishera służy do porównywania wariancji i występuje w analizie wariancji ANOVA. Jeśli porównujesz średnie kilku grup przez stosunek zmienności między grupami do zmienności wewnątrz grup, statystyka F jest podstawowym elementem obliczeń.
Jak sprawdzić, czy wybór rozkładu ma sens?
Sam wybór rozkładu na podstawie opisu problemu to dopiero początek. W praktyce warto sprawdzić, czy dane rzeczywiście przypominają założony model. Najprościej zacząć od histogramu, mediany, kwartylów, asymetrii, kurtozy i wartości odstających. Jeżeli dane mają silny prawy ogon, normalny zwykle nie będzie dobrym opisem surowych wartości.
Drugim krokiem jest porównanie wartości teoretycznych z obserwowanymi. W danych dyskretnych możesz sprawdzić oczekiwane liczebności, w danych ciągłych percentyle i ogony. Gdy rozkład dobrze opisuje środek, ale źle opisuje skrajne wartości, wnioski o ryzyku mogą być błędne.
Trzecim krokiem jest sens merytoryczny. Rozkład może pasować liczbowo, ale nie pasować do procesu. Jeśli model dopuszcza wartości ujemne, a zmienna nie może być ujemna, warto zachować ostrożność. Jeśli model ma cienkie ogony, a w praktyce skrajne zdarzenia są ważne, lepiej rozważyć rozkład z cięższym ogonem.
Przykłady wyboru rozkładu
Masz 1000 wejść i liczysz, ile osób kliknie przycisk. Jeśli każde wejście traktujesz jako próbę sukces/porażka ze stałym p, wybierz rozkład dwumianowy. Jeśli p jest niepewne i chcesz uwzględnić wcześniejszą wiedzę, sprawdź beta-dwumianowy.
Gdy liczysz zdarzenia w jednostce czasu, naturalnym kandydatem jest Poisson. Jeżeli interesuje Cię czas do pierwszego zgłoszenia, przejdź do rozkładu wykładniczego.
Dla awaryjności i trwałości bardzo często stosuje się Weibulla. Jeśli ryzyko awarii rośnie z czasem, Weibull zwykle opisuje proces lepiej niż wykładniczy.
Dane dodatnie i skośne mogą pasować do lognormalnego. Jeśli bardzo duże wartości mają wyjątkowo duży wpływ, warto rozważyć Pareto.
Gdy nie znasz odchylenia standardowego populacji, a próba jest mała, przy testach średniej pojawia się rozkład t-Studenta.
Przy porównywaniu średnich kilku grup przez ANOVA kluczowy jest rozkład F-Fishera i statystyka F.
Najczęstsze błędy przy wyborze rozkładu
- Wybór normalnego tylko dlatego, że jest popularny - normalny nie pasuje do każdej zmiennej, szczególnie dodatniej i skośnej.
- Mylenie liczby sukcesów z liczbą zdarzeń w czasie - sukcesy w n próbach to dwumianowy, zliczenia zdarzeń w czasie często Poisson.
- Ignorowanie losowania bez zwracania - przy małej populacji hipergeometryczny bywa lepszy niż dwumianowy.
- Modelowanie czasu rozkładem dopuszczającym wartości ujemne - czas zwykle wymaga rozkładu dodatniego.
- Patrzenie tylko na środek rozkładu - w wielu zastosowaniach najważniejsze są ogony i prawdopodobieństwa przekroczenia progu.
- Brak sprawdzenia danych - histogram, IQR, asymetria i wartości odstające często szybko pokazują, czy założenia są rozsądne.
Wskazówka od KalkulatorXXL
Najprostsza ścieżka wyboru to: najpierw ustal, czy zmienna jest dyskretna czy ciągła, potem sprawdź ograniczenia wartości, a dopiero na końcu dobieraj rozkład. Gdy masz wątpliwości, porównaj kilka kandydatów i zobacz, który najlepiej opisuje nie tylko środek danych, ale też ogony.
Zobacz całą mapę matematyki: Akademia matematyki – kalkulatory, tablice i poradniki prowadzi od podstaw liczbowych przez algebrę i geometrię po funkcje, analizę, statystykę, prawdopodobieństwo i matematykę dyskretną.
Cały pakiet statystyki i rozkładów
Ten poradnik jest częścią większego pakietu. Jeśli chcesz przejść od wyboru rozkładu do pełnej ścieżki nauki, sprawdź akademię statystyki, prawdopodobieństwa i rozkładów. Do szybkiego porównania wzorów przyda się też tablica rozkładów prawdopodobieństwa.