Normálne (Gaussovo) rozdelenie: definícia, parametre a príklady

Prehľad normálneho (Gaussovho) rozdelenia: definícia, parametre (stredná hodnota, štandardná odchýlka), grafy a praktické príklady s vysvetlením centrálnej limitnej vety.

Normálne rozdelenie je rozdelenie pravdepodobnosti. Nazýva sa aj Gaussovo rozdelenie, pretože ho objavil Carl Friedrich Gauss. Normálne rozdelenie je spojité rozdelenie pravdepodobnosti a hrá kľúčovú úlohu v štatistike a prírodných vedách. Ide o rodinu rozdelení rovnakého všeobecného tvaru, ktoré sa líšia parametrami polohy a rozsahu: stredná hodnota (μ, „priemer“) určuje polohu krivky a štandardná odchýlka (σ, „variabilita“) určuje jej šírku a rozptyl.

Štandardné normálne rozdelenie (známe aj ako rozdelenie Z) je normálne rozdelenie so strednou hodnotou μ = 0 a rozptylom σ² = 1 (zelené krivky na grafoch vpravo). Graf jeho hustoty pravdepodobnosti vyzerá ako zvonček, preto sa často hovorí o „zvončekovej krivke“ (zvonček). Mnohé prirodzené alebo merateľné veličiny majú približne normálne rozdelenie; za príčinou často stojí centrálna limitná veta, ktorá hovorí, že súčet alebo priemer veľkého počtu nezávislých, rovnakým spôsobom rozdelených náhodných faktorov má tendenciu byť približne normálne rozdelený.

Formálna definícia a hustota pravdepodobnosti

Normálne rozdelenie s parametrami μ (stredná hodnota) a σ > 0 (štandardná odchýlka) má hustotu pravdepodobnosti

f(x) = 1 / (σ √(2π)) · exp(−(x − μ)² / (2 σ²)), pre x ∈ ℝ.

Kumulatívna distribučná funkcia (CDF) nie je vyjadriteľná elementárnymi funkciami, používa sa na ňu špeciálna funkcia chýb erf alebo numerické tabuľky/tabulkové funkcie v softvéri.

Štandardizácia

Ak X ~ N(μ, σ²), potom štandardizovaná premenná Z = (X − μ) / σ má štandardné normálne rozdelenie N(0,1). Naopak, ak Z ~ N(0,1), potom X = μ + σZ ~ N(μ, σ²). Štandardizácia sa používa pri výpočtoch pravdepodobností a pri porovnávaní hodnôt z rôznych rozdelení (z-skóre).

Základné vlastnosti

• Symetria: hustota je symetrická okolo μ; stredná hodnota, medián a modus sú rovnaké a rovné μ.
• Rozptyl a štandardná odchýlka: rozptyl je σ², štandardná odchýlka σ určuje „šírku“ krivky.
• Pravidlo 68–95–99.7: približne 68,27 % hodnôt leží v intervale μ ± σ, 95,45 % v μ ± 2σ a 99,73 % v μ ± 3σ.
• MGF a charakteristická funkcia: momentová generujúca funkcia M_X(t) = exp(μ t + ½ σ² t²), charakteristická funkcia φ_X(t) = exp(i μ t − ½ σ² t²).
• Maximálna entropia: medzi všetkými rozdeleniami s danou strednou hodnotou a rozptylom má normálne rozdelenie najväčšiu entropiu.
• Stabilita: súčet nezávislých normálnych premenných je tiež normálne rozdelený.

Príklady použitia a praktické príklady

Normálne rozdelenie sa často používa na modelovanie mnohých javov, napríklad:

• výšky dospelých ľudí v populácii (priemerná výška ± variabilita),
• chyby merania a náhodné odchýlky pri experimentoch,
• testové skóre, ak sú výsledky výsledkom mnohých nezávislých faktorov,
• IQ skóre (približne normálne rozdelené so strednou hodnotou 100 a σ = 15 v štandardnom meraní),
• modelovanie finančných výnosov v niektorých jednoduchých prístupoch (hoci tu sa často vyskytujú ťažké chvosty, ktoré normálne rozdelenie nedokáže zachytiť).

Praktický numerický príklad: ak je výška mužov približne N(170 cm, 10 cm²) (t.j. μ = 170, σ = 10), potom pravdepodobnosť, že náhodne vybraný muž má výšku medzi 160 a 180 cm, je približne 68 % (pretože ide o interval μ ± σ podľa pravidla 68 %).

Aplikácie v štatistike

• Intervaly spoľahlivosti: pri predpoklade normálnosti sa využívajú z-skóre alebo t-rozdelenie (pre malé vzorky) na konštrukciu intervalov pre strednú hodnotu.
• Hypotézy a testovanie: z-test a mnoho ďalších testov používajú normálne rozdelenie alebo jeho štandardnú podobu.
• Regresia a inferencia: predpoklad normálnosti chýb (rezíduí) uľahčuje odhadovanie a testovanie parametrov modelov.
• Normalizácia dát: štandardizovanie dát (odčítanie priemeru a delenie štandardnou odchýlkou) umožňuje porovnávanie a zlepšuje konvergenciu algoritmov strojového učenia.

Odhad parametrov

Pri meraní alebo pozorovaní dát sa parametre μ a σ² zvyčajne odhadujú zo vzorky. Bežné odhady sú:

• vzorový priemer x̄ ako odhad μ (je to MLE aj nezaujímavý odhad),
• vzorový rozptyl s opravou (s delením n−1) ako odhad rozptylu σ² (nepristranný odhad),
• maximálna vierohodnosť (MLE) pre σ² používa delenie n (má menšiu spôsobenú systematickú odchýlku pri malých vzorkách).

Kedy normálne rozdelenie nepostačuje

Normálne rozdelenie je veľmi užitočné, ale nie vždy vhodné. Nehodí sa na modelovanie dát s výraznými asymetriami, viacnásobnými režimami (viacerými vrcholmi) alebo veľmi ťažkými chvostami (veľmi časté extrémne hodnoty). V takých prípadoch sa volia iné modely (lognormálne, t‑rozdelenie, zmiešané normály, atď.).

Na záver: normálne rozdelenie poskytuje jednoduchý a veľmi užitočný model pre mnoho reálnych javov, ponúka analytické vzťahy (PDF, MGF, štandardizáciu) a je základom mnohých štatistických metód vďaka centrálnej limitnej vete.

Otázky a odpovede

Otázka: Čo je to normálne rozdelenie?

Otázka: Kto objavil normálne rozdelenie?

Otázka: Čo predstavujú parametre polohy a mierky v normálnom rozdelení?

Otázka: Ako sú reprezentované parametre polohy a mierky normálnych rozdelení?

Otázka: Čo je to štandardné normálne rozdelenie?

Otázka: Prečo sa štandardné normálne rozdelenie často nazýva zvonová krivka?

Otázka: Prečo sa mnohé hodnoty riadia normálnym rozdelením?

Hľadajte podľa písmena