توزیع نرمال Normal Distribution

مثال: نمرات یک آزمون استاندارد که اغلب دانش‌آموزان نمره‌ای نزدیک به میانگین می‌گیرند و تعداد کمی نمرات بسیار بالا یا بسیار پایین دارند.

اهمیت توزیع نرمال در آمار و مالی

توزیع نرمال پایه بسیاری از نظریه‌های آماری و تحلیل‌های مالی است. این توزیع به تحلیلگران کمک می‌کند رفتار داده‌ها را پیش‌بینی کنند و از آن برای ارزیابی ریسک، قیمت‌گذاری دارایی‌ها و تحلیل بازارهای مالی استفاده می‌شود.
مثال: تحلیل‌گران از توزیع نرمال برای بررسی نوسان بازده سهام و تشخیص انحراف از رفتار معمول بازار استفاده می‌کنند.

ویژگی‌های اصلی توزیع نرمال

توزیع نرمال با دو پارامتر کلیدی تعریف می‌شود:

• میانگین (Mean): مرکز توزیع
• انحراف معیار (Standard Deviation): میزان پراکندگی داده‌ها

همچنین ویژگی‌هایی مانند چولگی (Skewness) و کشیدگی (Kurtosis) برای توصیف تقارن و ضخامت دُم‌های توزیع به کار می‌روند.
مثال: هرچه انحراف معیار بزرگ‌تر باشد، داده‌ها گسترده‌تر پخش شده‌اند.

قانون تجربی یا قانون 68-95-99.7

یکی از مهم‌ترین ویژگی‌های توزیع نرمال، قانون تجربی است که می‌گوید:

• حدود ۶۸.۲٪ داده‌ها در فاصله یک انحراف معیار از میانگین قرار دارند
• حدود ۹۵.۴٪ در فاصله دو انحراف معیار
• حدود ۹۹.۷٪ در فاصله سه انحراف معیار

مقادیر خارج از سه انحراف معیار، رخدادهای نادر محسوب می‌شوند.
مثال: در بازار مالی، بازدهی بسیار غیرعادی یک سهم می‌تواند نشانه یک رویداد خاص یا بحران باشد.

کاربرد توزیع نرمال در بازارهای مالی

در مالی، توزیع نرمال برای بررسی اینکه آیا قیمت یا بازده یک دارایی منطقی و منطبق با انتظار است یا خیر، استفاده می‌شود. این ابزار در تصمیم‌گیری‌های سرمایه‌گذاری و مدیریت ریسک نقش مهمی دارد.
مثال: اگر بازده یک سهم به‌طور مداوم از الگوی نرمال خارج شود، ممکن است بیش‌ارزش‌گذاری یا کم‌ارزش‌گذاری شده باشد.

محدودیت‌های توزیع نرمال در امور مالی

با وجود کاربرد گسترده، فرض نرمال بودن می‌تواند گمراه‌کننده باشد. قیمت دارایی‌ها اغلب دارای دُم‌های چاق (Fat Tails) و توزیع‌های نامتقارن هستند که احتمال رخدادهای شدید را بیشتر از پیش‌بینی توزیع نرمال نشان می‌دهد.
مثال: بحران‌های مالی بزرگ بسیار بیشتر از آنچه توزیع نرمال پیش‌بینی می‌کند رخ می‌دهند.

نقش توزیع نرمال در نظریه حد مرکزی

توزیع نرمال زیربنای نظریه حد مرکزی (Central Limit Theorem) است که بیان می‌کند میانگین نمونه‌های بزرگ، حتی از توزیع‌های غیرنرمال، به توزیع نرمال نزدیک می‌شود.
بااین‌حال، در امور مالی باید استفاده از این فرض با درک محدودیت‌های رفتار پیچیده بازارها همراه باشد.
مثال: میانگین بازده روزانه در بلندمدت ممکن است نرمال شود، اما نوسانات کوتاه‌مدت همچنان غیرقابل پیش‌بینی‌اند.