Нормальное распределение

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск

Bogdan (Обсуждение | вклад)
(Новая: {{Вероятностное распределение| name =Нормальное распределение| type =Плотность| pdf_image =[[Файл:Normal ...)
К следующему изменению →

Версия 14:30, 19 ноября 2009

Нормальное распределение
Плотность вероятности
325px|Плотность нормального распределения
Зеленая линия соответствует стандартному нормальному распределению
Функция распределения
325px|Функция распределения нормального распределения
Цвета на этом графике соответствуют графику наверху
Параметры \mu - коэффициент сдвига (вещественное число)
\sigma>0 - коэффициент масштаба (вещественный, строго положительный)
Носитель x \in (-\infty;+\infty)\!
Плотность вероятности \frac1{\sigma\sqrt{2\pi}}\; \exp\left(-\frac{\left(x-\mu\right)^2}{2\sigma^2} \right) \!
Функция распределения \frac1{\sigma\sqrt{2\pi}}\;\int\limits_{-\infin}^{x} \exp\left(-\frac{\left(t-\mu\right)^2}{2\sigma^2} \right) dt\!
Математическое ожидание \mu\,
Медиана \mu\,
Мода \mu\,
Дисперсия \sigma^2\,
Коэффициент асимметрии 0\,
Коэффициент эксцесса 0\,
Информационная энтропия \ln\left(\sigma\sqrt{2\,\pi\,e}\right)\!
Производящая функция моментов M_X(t)= \exp\left(\mu\,t+\frac{\sigma^2 t^2}{2}\right)
Характеристическая функция \phi_X(t)=\exp\left(\mu\,i\,t-\frac{\sigma^2 t^2}{2}\right)


Нормальное распределение, также называемое распределением Гаусса, — распределение вероятностей, которое играет важнейшую роль во многих областях знаний, особенно в физике. Физическая величина подчиняется нормальному распределению, когда она подвержена влиянию огромного числа случайных помех. Ясно, что такая ситуация крайне распространена, поэтому можно сказать, что из всех распределений в природе чаще всего встречается именно нормальное распределение — отсюда и произошло одно из его названий.

Нормальное распределение зависит от двух параметров — смещения и масштаба, то есть является с математической точки зрения не одним распределением, а целым их семейством. Значения параметров соответствуют значениям среднего (математического ожидания) и разброса (стандартного отклонения).

Стандартным нормальным распределением называется нормальное распределение с математическим ожиданием 0 и стандартным отклонением 1.

Содержание

Моделирование нормальных случайных величин

Простейшие, но неточные методы моделирования основываются на центральной предельной теореме. Именно, если сложить много независимых одинаково распределённых величин с конечной дисперсией, то сумма будет распределена примерно нормально. Например, если сложить 12 независимых базовых случайных величин, получится грубое приближение стандартного нормального распределения. Тем не менее, с увеличением слагаемых распределение суммы стремится к нормальному.

Использование точных методов предпочтительно, поскольку у них практически нет недостатков. В частности, преобразование Бокса — Мюллера является точным, быстрым и простым для реализации методом генерации.

Свойства

Если случайные величины X_1 и X_2 независимы и имеют нормальное распределение с математическими ожиданиями \mu_1 и \mu_2 и дисперсиями \sigma_1^2 и \sigma_2^2 соответственно, то X_1+X_2 также имеет нормальное распределение с математическим ожиданием \mu_1+\mu_2 и дисперсией \sigma_1^2+\sigma_2^2.

Статистическая проверка принадлежности нормальному распределению

Поскольку нормальное распределение часто встречается на практике, то для него разработаны специальные статистические критерии проверки на «нормальность»:

Заключение

Нормальное распределение наиболее часто встречается в природе, нормально распределёнными являются следующие случайные величины:

  • отклонение при стрельбе
  • ошибки при измерениях
  • рост человека

Такое широкое распространение закона связано с тем, что он является предельным законом, к которому приближаются многие другие (например, биномиальный). Доказано, что сумма очень большого числа случайных величин, влияние каждой из которых близко к 0, имеет распределение, близкое к нормальному. Этот факт является содержанием предельной теоремы Ляпунова.

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9D%D0%BE%D1%80%D0%BC%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5_%D1%80%D0%B0%D1%81%D0%BF%D1%80%D0%B5%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5»
Личные инструменты