Нормальное распределение

Нормальное распределение (также распределение Гаусса, гауссово распределение) — это непрерывное распределение вероятностей, которое играет центральную роль в теории вероятностей, математической статистике и многих прикладных науках. Его плотность вероятности описывается колоколообразной кривой, симметричной относительно математического ожидания. Нормальное распределение является предельным случаем для многих других распределений (согласно центральной предельной теореме), что делает его одним из наиболее часто используемых моделей для описания случайных ошибок, флуктуаций и природных явлений.

Определение и параметры

Случайная величина \(X\) имеет нормальное распределение с параметрами \(\mu\) (математическое ожидание, центр распределения) и \(\sigma^2\) (дисперсия, мера разброса), если её плотность вероятности задаётся формулой:

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

Здесь \(\mu\) — действительное число, \(\sigma > 0\). Стандартное обозначение: \(X \sim N(\mu, \sigma^2)\).

Стандартное нормальное распределение

Частный случай при \(\mu = 0\) и \(\sigma = 1\) называется стандартным нормальным распределением. Его плотность:

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

Функция распределения стандартного нормального закона \(\Phi(x) = \int_{-\infty}^{x} \varphi(t)\,dt\) не выражается через элементарные функции и табулирована. Любое нормальное распределение приводится к стандартному с помощью преобразования \(Z = \frac{X - \mu}{\sigma}\).

Свойства

Форма кривой и симметрия

График плотности нормального распределения симметричен относительно вертикальной прямой \(x = \mu\). Максимум достигается в точке \(x = \mu\) и равен \(\frac{1}{\sigma\sqrt{2\pi}}\). Точки перегиба находятся на расстоянии \(\sigma\) от центра: \(x = \mu \pm \sigma\).

Моменты

Для \(X \sim N(\mu, \sigma^2)\):

• Математическое ожидание: \(E[X] = \mu\).
• Дисперсия: \(\text{Var}[X] = \sigma^2\).
• Коэффициент асимметрии (skewness): 0.
• Коэффициент эксцесса (kurtosis): 3 (избыточный эксцесс = 0).

Правило трёх сигм

Для нормального распределения приблизительно:

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

Это правило широко используется для оценки выбросов и контроля качества.

Устойчивость

Сумма независимых нормальных случайных величин также имеет нормальное распределение. Если \(X_i \sim N(\mu_i, \sigma_i^2)\) и независимы, то \(\sum a_i X_i \sim N\left(\sum a_i \mu_i, \sum a_i^2 \sigma_i^2\right)\). Это свойство называется устойчивостью по отношению к суммированию.

История

Первое упоминание нормального распределения встречается в работах Абрахама де Муавра (1733), который использовал его как приближение для биномиального распределения при большом числе испытаний. Позднее Пьер-Симон Лаплас (1778) и Карл Фридрих Гаусс (1809) независимо разработали теорию ошибок наблюдений, в которой нормальное распределение появилось как распределение случайных ошибок измерений. Гаусс обосновал его применение методом наименьших квадратов. Название «нормальное распределение» закрепилось благодаря работам Фрэнсиса Гальтона и Карла Пирсона в конце XIX века.

Центральная предельная теорема

Центральная предельная теорема (ЦПТ) — фундаментальный результат теории вероятностей, объясняющий повсеместное появление нормального распределения. Согласно ЦПТ, сумма большого числа независимых одинаково распределённых случайных величин с конечной дисперсией приближённо нормальна, независимо от их исходного распределения. Это обосновывает использование нормального распределения в статистическом выводе, метрологии и физике.

Применение

Статистика и обработка данных

Нормальное распределение лежит в основе многих статистических методов: проверка гипотез (t-критерий, F-критерий), доверительные интервалы, регрессионный анализ, дисперсионный анализ. Предположение о нормальности остатков является стандартным для линейных моделей.

Контроль качества

В промышленности нормальное распределение используется для построения контрольных карт (например, карты Шухарта). На основе правила трёх сигм устанавливаются границы регулирования технологических процессов.

Физика и метрология

Случайные погрешности измерений часто считаются нормально распределёнными. Это позволяет оценивать неопределённость результатов и строить доверительные интервалы.

Биология и медицина

Многие биометрические признаки (рост, вес, артериальное давление) приближённо следуют нормальному распределению в однородных популяциях. Это используется для построения норм и процентильных шкал.

Финансы и экономика

В финансовой математике нормальное распределение применяется в модели Блэка — Шоулза для оценки опционов, а также для моделирования доходностей активов (хотя эмпирические данные часто показывают более «тяжёлые хвосты»).

Ограничения и критика

Несмотря на широкую распространённость, нормальное распределение не является универсальной моделью. Многие реальные данные имеют асимметрию, мультимодальность или «тяжёлые хвосты» (например, распределение доходов, экстремальные погодные явления, финансовые кризисы). В таких случаях использование нормального приближения может приводить к некорректным выводам. Для описания данных с «тяжёлыми хвостами» применяются распределения Стьюдента, Лапласа, Парето и другие.

Связанные распределения

• Логнормальное распределение: если \(Y = \ln X\) нормально, то \(X\) имеет логнормальное распределение.
• Распределение хи-квадрат: сумма квадратов независимых стандартных нормальных величин.
• Распределение Стьюдента: отношение нормальной величины к корню из хи-квадрат.
• Распределение Фишера: отношение двух независимых хи-квадрат.

Интересные факты

• Нормальное распределение иногда называют «колоколообразной кривой» из-за характерной формы.
• В русскоязычной литературе часто используется термин «закон Гаусса», хотя сам Гаусс предпочитал название «теория ошибок».
• Стандартное нормальное распределение имеет нулевое математическое ожидание и единичную дисперсию; его квантили (например, 1,96 для 95% доверительного интервала) широко используются в статистике.
• В природе нормальное распределение встречается как следствие сложения множества независимых случайных факторов (например, распределение размеров частиц в пыли, ошибки измерений).

Источники

• Вентцель Е. С. Теория вероятностей. — М.: Высшая школа, 1998.
• Гнеденко Б. В. Курс теории вероятностей. — М.: Наука, 1988.
• Кендалл М., Стьюарт А. Статистические выводы и связи. — М.: Наука, 1973.
• Ширяев А. Н. Вероятность. — М.: МЦНМО, 2004.
• Jaynes E. T. Probability Theory: The Logic of Science. — Cambridge University Press, 2003.