Гауссовское распределение

Гауссовское распределение (также нормальное распределение, распределение Гаусса) — это непрерывное распределение вероятностей, играющее фундаментальную роль в теории вероятностей, математической статистике и многих естественнонаучных и социально-экономических дисциплинах. Его плотность вероятности описывается колоколообразной симметричной кривой, которая определяется двумя параметрами: математическим ожиданием (средним значением) μ и стандартным отклонением σ. Гауссовское распределение является предельным случаем для суммы большого числа независимых случайных величин (центральная предельная теорема), что объясняет его повсеместное распространение в природе и технике.

История

Первые упоминания нормального распределения относятся к работам Абрахама де Муавра (1733 год), который вывел его как аппроксимацию биномиального распределения для большого числа испытаний. В 1809 году Карл Фридрих Гаусс применил это распределение для анализа ошибок астрономических наблюдений, обосновав метод наименьших квадратов. Гаусс показал, что если ошибки измерений распределены нормально, то оценки по методу наименьших квадратов являются оптимальными. В 1812 году Пьер-Симон Лаплас опубликовал центральную предельную теорему, строго доказав, что сумма независимых случайных величин стремится к нормальному распределению. В XIX веке Адольф Кетле популяризировал применение нормального распределения в биологии и социологии, введя понятие «среднего человека». В XX веке развитие математической статистики (работы Рональда Фишера, Эгона Пирсона) привело к созданию критериев проверки нормальности и методов оценки параметров.

Определение и свойства

Функция плотности вероятности

Плотность вероятности гауссовского распределения для случайной величины X задаётся формулой:

\[ f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right), \quad x \in \mathbb{R} \]

где:

• μ — математическое ожидание (среднее значение), определяющее центр симметрии кривой;
• σ — стандартное отклонение, характеризующее разброс значений относительно среднего;
• σ² — дисперсия.

График плотности представляет собой колоколообразную кривую, симметричную относительно μ. Максимум достигается в точке x = μ и равен \( \frac{1}{\sigma\sqrt{2\pi}} \). Точки перегиба находятся на расстоянии σ от среднего.

Функция распределения

Функция распределения (интегральная функция) выражается через интеграл от плотности:

\[ F(x) = \frac{1}{\sigma\sqrt{2\pi}} \int_{-\infty}^{x} \exp\left(-\frac{(t-\mu)^2}{2\sigma^2}\right) dt \]

Она не выражается в элементарных функциях, но табулирована с помощью функции ошибок (erf) или стандартного нормального распределения.

Стандартное нормальное распределение

Частный случай с μ = 0 и σ = 1 называется стандартным нормальным распределением. Его плотность:

\[ \varphi(z) = \frac{1}{\sqrt{2\pi}} e^{-z^2/2} \]

Любую нормально распределённую случайную величину X можно привести к стандартному виду с помощью преобразования:

\[ Z = \frac{X - \mu}{\sigma} \]

Это позволяет использовать таблицы стандартного нормального распределения для вычисления вероятностей.

Моменты и характеристики

• Математическое ожидание: E[X] = μ
• Дисперсия: Var[X] = σ²
• Коэффициент асимметрии: 0 (распределение симметрично)
• Коэффициент эксцесса: 3 (избыточный эксцесс равен 0)
• Медиана и мода совпадают с математическим ожиданием μ

Правило трёх сигм

Для нормального распределения справедливо эмпирическое правило:

• В интервале (μ — σ, μ + σ) находится около 68,27% всех значений;
• В интервале (μ — 2σ, μ + 2σ) — около 95,45%;
• В интервале (μ — 3σ, μ + 3σ) — около 99,73%.

Это правило широко используется для оценки выбросов и контроля качества.

Центральная предельная теорема

Центральная предельная теорема (ЦПТ) утверждает, что сумма большого числа независимых и одинаково распределённых случайных величин с конечной дисперсией приближается к нормальному распределению независимо от исходного распределения слагаемых. Это фундаментальное свойство объясняет, почему нормальное распределение встречается повсеместно: ошибки измерений, колебания цен, биометрические показатели (рост, вес) часто являются результатом сложения множества независимых факторов.

Виды и обобщения

Многомерное нормальное распределение

Обобщение на случай нескольких коррелированных случайных величин. Плотность вероятности для n-мерного вектора X задаётся через матрицу ковариации Σ и вектор средних μ:

\[ f(\mathbf{x}) = \frac{1}{(2\pi)^{n/2} |\Sigma|^{1/2}} \exp\left(-\frac{1}{2} (\mathbf{x} - \boldsymbol{\mu})^T \Sigma^{-1} (\mathbf{x} - \boldsymbol{\mu})\right) \]

Многомерное нормальное распределение широко применяется в машинном обучении, анализе данных и эконометрике.

Логнормальное распределение

Если случайная величина Y = ln(X) имеет нормальное распределение, то X имеет логнормальное распределение. Оно используется для моделирования величин, которые не могут быть отрицательными (например, доходы, цены активов).

Усечённое нормальное распределение

Нормальное распределение, ограниченное на некотором интервале. Применяется в задачах, где значения не могут выходить за определённые границы (например, рост человека).

Применение

Естественные науки

• Физика: распределение ошибок измерений, тепловые флуктуации (броуновское движение).
• Биология: распределение биометрических признаков (рост, вес, давление), моделирование популяций.
• Медицина: анализ лабораторных показателей, определение референтных интервалов.

Техника и инженерия

• Контроль качества: оценка отклонений параметров продукции, построение контрольных карт.
• Обработка сигналов: гауссовский шум в радиосвязи и цифровой обработке.
• Теория надёжности: моделирование времени безотказной работы.

Экономика и финансы

• Моделирование доходности активов (хотя на практике распределения часто имеют «тяжёлые хвосты»).
• Оценка рисков: Value at Risk (VaR) на основе нормального распределения.
• Эконометрика: регрессионный анализ предполагает нормальность ошибок.

Социальные науки

• Психология: распределение IQ-показателей (стандартное отклонение 15, среднее 100).
• Социология: анализ опросов и тестов.

Критика и ограничения

Несмотря на широкое применение, гауссовское распределение имеет ограничения. Реальные данные часто демонстрируют «тяжёлые хвосты» (большую вероятность экстремальных значений), асимметрию или мультимодальность. Например, распределение доходов населения обычно логнормальное или степенное, а не нормальное. В финансах гипотеза нормальности доходности активов была опровергнута после финансовых кризисов (например, крах 2008 года). Для таких случаев разработаны более гибкие распределения (Стьюдента, Лапласа, стабильные распределения).

Интересные факты

• Гауссовское распределение иногда называют «колоколообразной кривой» из-за формы графика плотности.
• В теории информации нормальное распределение максимизирует энтропию среди всех распределений с заданной дисперсией.
• В квантовой механике волновая функция основного состояния гармонического осциллятора является гауссовой.
• Распределение Гаусса используется в алгоритмах машинного обучения, таких как гауссовская смесь моделей (GMM) и гауссовские процессы.

Источники

1. Вентцель Е. С. Теория вероятностей. — М.: Наука, 1969.
2. Гмурман В. Е. Теория вероятностей и математическая статистика. — М.: Высшая школа, 2003.
3. Кендалл М., Стюарт А. Теория распределений. — М.: Наука, 1966.
4. Папулис А. Теория вероятностей и случайных процессов. — М.: Мир, 1984.
5. Лагутин М. Б. Наглядная математическая статистика. — М.: Бином, 2007.