Zawartość
- Motywacja
- Stwierdzenie twierdzenia
- Dlaczego jest wszędzie
- Kopuły gaussowskie
- Pochodzenie
- Wygoda obliczeniowa
W statystyce rozkład Gaussa lub normalny służy do charakteryzowania złożonych układów z wieloma czynnikami. Jak opisano w Historii statystyki Stephena Stiglera, Abraham De Moivre wynalazł dystrybucję noszącą imię Karla Fredricka Gaussa. Wkład Gaussa polegał na zastosowaniu rozkładu do metody najmniejszych kwadratów w celu zminimalizowania błędów przy dopasowywaniu danych do linii najlepszego dopasowania. W ten sposób uczynił go najważniejszym rozkładem błędów w statystykach.
Motywacja
Jaki jest rozkład próbki danych? Co jeśli nie znasz podstawowej dystrybucji danych? Czy jest jakiś sposób przetestowania hipotez na temat danych bez znajomości podstawowej dystrybucji? Dzięki Centralnemu twierdzeniu granicznemu odpowiedź brzmi „tak”.
Stwierdzenie twierdzenia
Stwierdzono, że średnia próbki z nieskończonej populacji jest w przybliżeniu normalna lub gaussowska, ze średnią taką samą jak populacja podstawowa, a wariancja równa wariancji populacji podzielonej przez wielkość próby. Przybliżenie poprawia się, gdy wielkość próbki staje się duża.
Oświadczenie o aproksymacji jest czasem błędnie interpretowane jako wniosek o konwergencji do rozkładu normalnego. Ponieważ przybliżenie rozkładu normalnego zmienia się wraz ze wzrostem wielkości próby, takie stwierdzenie wprowadza w błąd.
Twierdzenie to opracował Pierre Simon Laplace.
Dlaczego jest wszędzie
Normalne rozkłady są wszechobecne. Powód pochodzi z centralnego twierdzenia granicznego. Często, gdy wartość jest mierzona, jest to sumaryczny efekt wielu niezależnych zmiennych. Dlatego sama mierzona wartość ma średnią jakość próbki. Na przykład rozkład wyników sportowca może mieć kształt dzwonu, w wyniku różnic w diecie, treningu, genetyce, coachingu i psychologii. Nawet wysokości męskie mają rozkład normalny, będący funkcją wielu czynników biologicznych.
Kopuły gaussowskie
To, co nazywa się „funkcją kopuły” z rozkładem Gaussa, pojawiło się w wiadomościach w 2009 r. Ze względu na jego zastosowanie w ocenie ryzyka inwestowania w obligacje zabezpieczone. Niewłaściwe użycie tej funkcji przyczyniło się do kryzysu finansowego w latach 2008–2009. Chociaż było wiele przyczyn kryzysu, z perspektywy czasu rozkłady Gaussa prawdopodobnie nie powinny były zostać wykorzystane. Funkcja z grubszym ogonem przypisałaby większe prawdopodobieństwo zdarzeniom niepożądanym.
Pochodzenie
Twierdzenie o granicy centralnej można udowodnić w wielu wierszach, analizując funkcję generującą moment (mgf) (średnia próby - średnia populacji) / a (wariancja populacji / wielkość próby) jako funkcję mgf populacji podstawowej. Część twierdzenia o przybliżeniu jest wprowadzana poprzez rozszerzenie mgf populacji podstawowej jako szeregu mocy, a następnie pokazanie, że większość terminów jest nieistotna, gdy wielkość próby staje się duża.
Można to udowodnić w znacznie mniejszej liczbie wierszy, stosując rozszerzenie Taylora na równaniu charakterystycznym tej samej funkcji i zwiększając wielkość próbki.
Wygoda obliczeniowa
Niektóre modele statystyczne zakładają, że błędy są Gaussowskie. Umożliwia to wykorzystanie rozkładów funkcji normalnych zmiennych, takich jak rozkład chi-kwadrat i F, w testowaniu hipotez. W szczególności w teście F statystyka F składa się ze stosunku rozkładów chi-kwadrat, które same są funkcjami parametru wariancji normalnej. Stosunek obu powoduje anulowanie wariancji, umożliwiając testowanie hipotez bez znajomości wariancji poza ich normalnością i stałością.