Функция нормального распределения

Функция нормального распределения (также известная как функция Гаусса, функция плотности нормального распределения или гауссиана) — это математическая функция, описывающая плотность вероятности непрерывной случайной величины, подчиняющейся нормальному закону распределения. Она является одной из центральных концепций в теории вероятностей, математической статистике и множестве прикладных наук, включая физику, биологию, экономику и инженерию. График функции нормального распределения имеет характерную колоколообразную форму, симметричную относительно математического ожидания.

Определение и формула

Функция плотности нормального распределения для случайной величины \(X\) задаётся формулой:

\[ f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \]

где:

• \(\mu\) (мю) — математическое ожидание (среднее значение) распределения, определяющее положение центра симметрии кривой;
• \(\sigma\) (сигма) — стандартное отклонение, определяющее ширину колокола и степень разброса значений относительно среднего;
• \(\sigma^2\) — дисперсия;
• \(e\) — основание натурального логарифма (число Эйлера, приблизительно 2,71828);
• \(\pi\) — математическая константа (приблизительно 3,14159).

Функция определена для всех действительных чисел \(x\) (от \(-\infty\) до \(+\infty\)) и является неотрицательной. Интеграл от функции плотности по всей числовой прямой равен единице, что соответствует полной вероятности.

Стандартное нормальное распределение

Частным случаем является стандартное нормальное распределение с параметрами \(\mu = 0\) и \(\sigma = 1\). Его функция плотности имеет вид:

\[ \phi(x) = \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} \]

Переход к стандартному распределению осуществляется через z-преобразование (стандартизацию): \(z = \frac{x - \mu}{\sigma}\). Это позволяет использовать единые таблицы значений и упрощает вычисления вероятностей.

Свойства функции

Функция нормального распределения обладает рядом важных аналитических и вероятностных свойств:

• Симметричность: функция симметрична относительно точки \(x = \mu\), то есть \(f(\mu + a) = f(\mu - a)\) для любого \(a\).
• Унимодальность: функция имеет единственный максимум в точке \(x = \mu\), равный \(\frac{1}{\sigma \sqrt{2\pi}}\).
• Точки перегиба: находятся на расстоянии \(\sigma\) от среднего, то есть при \(x = \mu \pm \sigma\). В этих точках кривая меняет направление выпуклости.
• Асимптотическое поведение: при \(x \to \pm\infty\) функция стремится к нулю, но никогда его не достигает (хвосты распределения).
• Площадь под кривой: интеграл от \(-\infty\) до \(+\infty\) равен 1.

Правило трёх сигм

Эмпирическое правило, основанное на свойствах нормального распределения, гласит:

• Примерно 68,27% всех значений лежат в интервале \(\mu \pm \sigma\);
• Примерно 95,45% — в интервале \(\mu \pm 2\sigma\);
• Примерно 99,73% — в интервале \(\mu \pm 3\sigma\).

Это правило широко используется в статистическом контроле качества и при оценке выбросов.

История

Первые упоминания нормального распределения связаны с работами французского математика Абрахама де Муавра, который в 1733 году вывел аппроксимацию биномиального распределения для большого числа испытаний. Однако широкую известность распределение получило благодаря трудам Карла Фридриха Гаусса (1809 год), который использовал его для анализа ошибок астрономических наблюдений, и Пьера-Симона Лапласа, развившего теорию ошибок.

Термин «нормальное распределение» популяризировал английский статистик Карл Пирсон в конце XIX века. В России и странах бывшего СССР часто используется название «распределение Гаусса» или «гауссово распределение».

Применение

Функция нормального распределения является фундаментальной в статистическом выводе, поскольку многие статистические методы (t-тест, дисперсионный анализ, регрессионный анализ) основаны на предположении о нормальности данных. Она также лежит в основе центральной предельной теоремы, согласно которой сумма большого числа независимых случайных величин приближается к нормальному распределению.

Естественные науки

• Физика: описание случайных погрешностей измерений, распределение скоростей молекул в идеальном газе (распределение Максвелла).
• Биология: моделирование распределения признаков в популяциях (например, рост, вес), анализ ошибок в экспериментах.
• Медицина: интерпретация лабораторных показателей (референтные интервалы часто строятся на основе нормального распределения).

Техника и экономика

• Контроль качества: контрольные карты Шухарта, оценка допусков в производстве.
• Финансы: моделирование доходности активов (хотя на практике финансовые ряды часто имеют «тяжёлые хвосты»).
• Обработка сигналов: фильтрация гауссовского шума.

Социальные науки

• Психология и педагогика: нормирование тестовых баллов (IQ-тесты, шкалы оценок).
• Демография: анализ распределения возраста, доходов.

Критика и ограничения

Несмотря на широкое применение, нормальное распределение не является универсальным. Многие реальные данные не подчиняются нормальному закону из-за асимметрии, мультимодальности или наличия выбросов. Применение методов, предполагающих нормальность, к ненормальным данным может приводить к некорректным выводам. Для проверки нормальности используются статистические тесты (критерий Шапиро — Уилка, критерий Колмогорова — Смирнова) и графические методы (гистограмма, Q-Q-график).

Интересные факты

• Функция нормального распределения не выражается в элементарных функциях (её интеграл — функция ошибок, erf).
• В квантовой механике волновая функция основного состояния гармонического осциллятора имеет форму гауссианы.
• Гауссовы функции используются в обработке изображений для размытия (фильтр Гаусса).

Источники

• Гнеденко Б. В. Курс теории вероятностей. — М.: Наука, 1988.
• Кремер Н. Ш. Теория вероятностей и математическая статистика. — М.: ЮНИТИ-ДАНА, 2004.
• Вентцель Е. С. Теория вероятностей. — М.: Высшая школа, 1999.
• Feller W. An Introduction to Probability Theory and Its Applications. — Wiley, 1968.