Normální distribuce | |
---|---|
Zelená čára odpovídá standardnímu normálnímu rozdělení | |
Barvy v této tabulce odpovídají tabulce výše. | |
Označení | |
Možnosti |
μ - faktor posunu ( skutečný ) σ > 0 - faktor měřítka (reálný, přísně kladný) |
Dopravce | |
Hustota pravděpodobnosti | |
distribuční funkce | |
Očekávaná hodnota | |
Medián | |
Móda | |
Disperze | |
Koeficient asymetrie | |
Kurtózní koeficient | |
Diferenciální entropie | |
Generující funkce momentů | |
charakteristická funkce |
Normální rozdělení [1] [2] , nazývané také Gaussovo nebo Gaussovo- Laplaceovo rozdělení [3] , je rozdělení pravděpodobnosti , které je v jednorozměrném případě dáno funkcí hustoty pravděpodobnosti , která se shoduje s Gaussovou funkcí :
, kde parametrem je matematické očekávání (střední hodnota), medián a distribuční režim a parametrem je směrodatná odchylka , je rozptyl distribuce .Jednorozměrné normální rozdělení je tedy dvouparametrová rodina rozdělení, která patří do exponenciální třídy rozdělení [4] . Vícerozměrný případ je popsán v článku " Vícerozměrné normální rozdělení ".
Standardní normální rozdělení je normální rozdělení se střední hodnotou a směrodatnou odchylkou
Je-li veličina součtem mnoha náhodných slabě vzájemně závislých veličin, z nichž každá má malý příspěvek vzhledem k celkovému součtu, pak centrované a normalizované rozdělení takové veličiny směřuje k normálnímu rozdělení s dostatečně velkým počtem členů .
Toto vyplývá z centrální limitní věty teorie pravděpodobnosti . Ve světě kolem nás se často vyskytují veličiny, jejichž hodnotu určuje kombinace mnoha nezávislých faktorů. Tato skutečnost, stejně jako skutečnost, že distribuce byla považována za typickou, běžnou, vedla k tomu, že se koncem 19. století začalo používat označení „normální distribuce“. Normální rozdělení hraje významnou roli v mnoha oblastech vědy, jako je matematická statistika a statistická fyzika .
Náhodná veličina, která má normální rozdělení, se nazývá normální nebo Gaussova náhodná veličina.
Nejjednodušší případ normálního rozdělení - standardní normální rozdělení - je speciální případ, kdy a Jeho hustota pravděpodobnosti je:
Faktor ve výrazu poskytuje podmínku pro normalizaci integrálu [5] . Protože faktor v exponentu poskytuje disperzi rovnou jedné, pak je směrodatná odchylka rovna 1. Funkce je symetrická v bodě , její hodnota v něm je maximální a rovná se inflexním bodům funkce: a
Gauss nazval standardní normální rozdělení s tím, že:
Každé normální rozdělení je variantou standardního normálního rozdělení, jehož rozsah je natažen o faktor (směrodatná odchylka) a přenesen na (očekávání):
jsou parametry normálního rozdělení. Hustota pravděpodobnosti musí být normalizována tak, aby se integrál rovnal 1.
Pokud je standardní normální náhodná veličina, pak hodnota bude mít normální rozdělení s matematickým očekáváním a směrodatnou odchylkou , naopak, pokud je normální proměnná s parametry a pak bude mít standardní normální rozdělení.
Pokud otevřeme závorky v exponentu hustoty pravděpodobnosti a vezmeme v úvahu, že , pak:
Hustota pravděpodobnosti každého normálního rozdělení je tedy exponentem kvadratické funkce :
kdeOdtud lze vyjádřit průměr jako a a rozptyl jako Pro standardní normální rozdělení a
Hustota pravděpodobnosti standardního normálního rozdělení (s nulovým průměrem a jednotkovým rozptylem) se často označuje řeckým písmenem ( phi ) [6] . Zcela běžně se používá i alternativní forma řeckého písmene phi .
Normální rozdělení se často označuje nebo [7] . Pokud je náhodná veličina rozdělena podle normálního zákona se střední hodnotou a variací, pak píšeme:
Distribuční funkce standardního normálního rozdělení se obvykle označuje velkým řeckým písmenem ( phi ) a je integrálem:
S tím je spojena chybová funkce (pravděpodobnostní integrál) , která dává pravděpodobnost, že normální náhodná veličina se střední hodnotou 0 a variací 1/2 bude spadat do segmentu :
Tyto integrály nejsou vyjádřeny v elementárních funkcích a nazývají se speciální funkce . Je známo mnoho jejich číselných aproximací. Viz níže .
Funkce spolu souvisí zejména vztahem:
.Normální rozdělení s průměrem hustoty a rozptylem má následující distribuční funkci:
Můžete použít funkci - dá pravděpodobnost, že hodnota standardní normální náhodné proměnné překročí :
.Graf funkce standardního normálního rozdělení má 2násobnou rotační symetrii kolem bodu (0; 1/2), to znamená, že jeho neurčitý integrál je:
Distribuční funkci standardní normální náhodné veličiny lze rozšířit pomocí metody integrace po částech v sérii:
kde znaménko znamená dvojitý faktoriál .
Asymptotické rozšíření distribuční funkce pro velké hodnoty lze také provést integrací po částech.
Směrodatná odchylkaAsi 68 % hodnot z normálního rozdělení je ve vzdálenosti nejvýše jedné standardní odchylky σ od průměru; asi 95 % hodnot leží ve vzdálenosti nejvýše dvou směrodatných odchylek; a 99,7 % ne více než tři. Tato skutečnost je speciálním případem pravidla 3 sigma pro normální vzorek.
Přesněji, pravděpodobnost získání normálního čísla mezi a je:
S přesností na 12 platných číslic jsou hodnoty pro uvedeny v tabulce [8] :
OEIS | |||||
---|---|---|---|---|---|
jeden | 0,682689492137 | 0,317310507863 |
|
A178647 | |
2 | 0,954499736104 | 0,045500263896 |
|
A110894 | |
3 | 0,997300203937 | 0,002699796063 |
|
A270712 | |
čtyři | 0,999936657516 | 0,000063342484 |
| ||
5 | 0,999999426697 | 0,000000573303 |
| ||
6 | 0,999999998027 | 0,000000001973 |
|
Momenty a absolutní momenty náhodné veličiny se nazývají matematická očekávání náhodných veličin , resp. Pokud je matematickým očekáváním náhodná veličina, pak se tyto parametry nazývají centrální momenty . Ve většině případů jsou zajímavé momenty pro celá čísla.
Pokud má normální rozdělení, pak má (konečné) momenty pro všechny s reálnou částí větší než -1. Pro nezáporná celá čísla jsou centrální momenty:
Zde je přirozené číslo a zápis znamená dvojitý faktoriál čísla, tedy (protože je v tomto případě lichý) součin všech lichých čísel od 1 do
Centrální absolutní momenty pro nezáporná celá čísla jsou:
Poslední vzorec platí také pro libovolný .
Fourierova transformace normální hustoty pravděpodobnosti se střední směrodatnou odchylkou je [9] :
kde je pomyslná jednotka .Pokud je očekávání , pak je první faktor 1 a Fourierova transformace, až do konstanty, je normální hustota pravděpodobnosti přes frekvenční intervaly, s očekáváním rovným 0 a směrodatnou odchylkou . Zejména standardní normální rozdělení je vlastní funkcí Fouriera přeměnit.
V teorii pravděpodobnosti Fourierova transformace hustoty rozdělení reálné náhodné veličiny úzce souvisí s charakteristickou funkcí této proměnné, která je definována jako matematické očekávání reálné proměnné a je funkcí reálné proměnné (frekvenční parametr Fourierovy přeměnit). Definici lze rozšířit na komplexní proměnnou [10] . Poměr se píše takto:
Normální rozdělení je nekonečně dělitelné .
Pokud jsou náhodné proměnné a nezávislé a mají normální rozdělení se střední hodnotou a rozptylem , pak má také normální rozdělení se střední hodnotou a rozptylem
To znamená, že normální náhodná proměnná může být reprezentována jako součet libovolného počtu nezávislých normálních náhodných proměnných.
Normální rozdělení má maximální diferenciální entropii mezi všemi spojitými rozděleními, jejichž rozptyl nepřesahuje danou hodnotu [11] [12] .
Pravidlo tří sigma ( ) — téměř všechny hodnoty normálně rozdělené náhodné proměnné leží v intervalu:
kde jsou matematické očekávání a parametr normální náhodné veličiny.Přesněji, s přibližně pravděpodobností 0,9973 leží hodnota normálně rozdělené náhodné veličiny ve stanoveném intervalu.
V počítačových simulacích, zejména při aplikaci metody Monte Carlo , je žádoucí používat veličiny rozdělené podle normálního zákona. Mnoho algoritmů poskytuje standardní normální hodnoty, protože normální hodnotu lze získat jako:
kde Z je standardní normální hodnota.Algoritmy také využívají různé transformace jednotných veličin. Nejjednodušší přibližné metody modelování jsou založeny na centrální limitní větě . Pokud sečteme dostatečně velký počet nezávislých shodně rozdělených veličin s konečným rozptylem , pak bude mít součet rozdělení blízké normálu. Pokud například přidáte 100 nezávislých standardních rovnoměrně rozdělených náhodných proměnných, bude rozdělení součtu přibližně normální .
Pro programové generování normálně distribuovaných pseudonáhodných proměnných je vhodnější použít Box-Mullerovu transformaci . Umožňuje generovat jednu normálně rozdělenou hodnotu na základě jedné rovnoměrně rozdělené.
Existuje také algoritmus Ziggurat , který je ještě rychlejší než Box-Mullerova transformace. Je však náročnější na implementaci, ale jeho použití má své opodstatnění v případech, kdy je požadováno generování velmi velkého množství nerovnoměrně rozložených náhodných čísel.
Normální distribuce se často vyskytuje v přírodě. Například následující náhodné proměnné jsou dobře modelovány normálním rozdělením:
Toto rozdělení je tak rozšířené, protože jde o nekonečně dělitelné spojité rozdělení s konečným rozptylem. Proto se k němu některé další přibližují v limitě, například binomický a Poissonův . Toto rozdělení modeluje mnoho nedeterministických fyzikálních procesů [13] .
Vícerozměrné normální rozdělení se používá při studiu vícerozměrných náhodných veličin (náhodných vektorů). Jedním z mnoha příkladů takových aplikací je studium parametrů lidské osobnosti v psychologii a psychiatrii .
Poprvé se normální rozdělení jako limit binomického rozdělení na objevilo v roce 1738 ve druhém vydání De Moivreho „Doctrine of Chance“ [18] . Toto byl první důkaz speciálního případu centrální limitní věty . V roce 1809 Gauss v The Theory of the Motion of Celestial Body představil toto rozdělení jako vycházející z opakovaných měření pohybu nebeských těles. Gauss však odvodil vzorec pro skutečné náhodné veličiny z principu maximalizace hustoty spojů všech měření v bodě se souřadnicemi rovnými průměru všech měření. Tento princip byl následně kritizován. V roce 1812 Laplace v Moivre-Laplaceově větě zobecnil výsledek Moivre pro libovolné binomické rozdělení, to znamená pro součty identicky distribuovaných nezávislých binárních veličin [3] .
Slovníky a encyklopedie | |
---|---|
V bibliografických katalozích |
|
Rozdělení pravděpodobnosti | |
---|---|
Oddělený | |
Absolutně kontinuální |