Tohle už jste asi viděli. Hladká, symetrická zvonová křivka, která se objevuje ve všem, od standardizovaných výsledků testů po zprávy o kontrole kvality. Toto je normální rozdělení. Také známý jako Gaussova distribuce. Toto je nejběžnější způsob chování nezávislých náhodných veličin.
Křivka je určena dvěma základními čísly. Průměrná hodnota je v horním bodě. Toto je aritmetický průměr. Graf je dokonale zrcadlen kolem tohoto středového bodu. Pak je tu standardní odchylka. Toto číslo určuje, jak široká nebo úzká se křivka stane. Nízká směrodatná odchylka vytváří strmý, vysoký graf. Díky velké směrodatné odchylce je plochý a široký.
Matematický základ se opírá o exponenciální funkci. Vzorec používá e, což se přibližně rovná 2,718. Používá také váš průměr (μ ) a směrodatnou odchylku (σ ). Celková plocha pod touto křivkou je vždy rovna jedné. To není náhoda. Toto je záměrné. Protože je plocha normalizována na jednu, můžete pravděpodobnosti přímo odečítat z prostoru pod čarou. Oblast 0,5 znamená 50% pravděpodobnost.
Historicky výpočet těchto oblastí vyžadoval složitou matematickou analýzu. Většina lidí na to neměla čas. Proto v 19. století statistici vytvořili tabulky. Byly navrženy pro standardní normální distribuci. Toto je rozdělení, kde průměr je nula a směrodatná odchylka je jedna. Pokud vaše data neodpovídala těmto číslům, bylo nutné je změnit. Odečteš průměr. Poté vydělte směrodatnou odchylkou. Vzorec vypadá takto: (x – μ ) / σ.
Kalkulačky z velké části nahradily papírové tabulky. Zadáte svá čísla a dostanete okamžitou odpověď. Tento koncept však zůstává zásadní pro pochopení teorie pravděpodobnosti.
Jméno „Gaussian“ pochází od Carla Friedricha Gausse. Byl to německý matematik. V roce 1809 vyvinul exponenciální funkci se dvěma parametry. Snažil se pochopit chyby astronomických pozorování. Tato práce mu pomohla vytvořit zákon pozorovacích chyb. Pokročila také metodou aproximace nejmenších čtverců.
Dalším časným uživatelem byl James Clerk Maxwell. Byl to britský fyzik. V roce 1859 použil toto rozdělení k popisu rychlostí molekul. Jeho dílem se později stal Maxwell-Boltzmannův distribuční zákon.
Dávno před Gaussem zahájil tento proces Abraham de Moivre. Ve své knize The Doctrine of Chances z roku 1718 zaznamenal něco zajímavého. Pravděpodobnosti pro jednotlivé události – například házení mincí nebo hod kostkou – lze aproximovat exponenciální křivkou. Pierre-Simon Laplace tuto myšlenku dále rozvinul. Ve své práci The Analytical Theory of Probability z roku 1812 zobecnil de Moivreovu myšlenku. Vytvořil to, čemu dnes říkáme centrální limitní věta.
Tato věta je mocná. Dokázala, že téměř všechny nezávislé náhodné veličiny konvergují k normálnímu rozdělení s rostoucí velikostí vzorku. K podobnostem dochází rychle. Tento objev umožnil matematikům řešit problémy pomocí matematické analýzy, které byly dříve nemožné. Z diskrétních problémů se staly spojité. Díky tomu byly zvládnutelné neřešitelné problémy.
Tak proč je to pro vás důležité? Pokud absolvujete kurz statistiky, budete jej používat každý den. Pokud jste výzkumník, vaše data se s největší pravděpodobností řídí tímto vzorem, pokud ne. Je to všude. Toto je výchozí předpoklad mnoha statistických testů.
Krása normální distribuce spočívá v její všestrannosti. Je mu jedno, co měříte. Jde mu jen o to, abyste měřili nezávislé proměnné. Centrální limitní teorém zajišťuje, že i když jsou vaše vstupní data chaotická, průměry se vyhladí do zvonovité křivky. To je důvod, proč můžeme předpovídat velké skupiny na základě menších vzorků.
Existuje důvod, proč je tato křivka tak známá. To není jen matematická kuriozita. To je základní vlastnost náhodnosti. Když se sejde dostatek nezávislých faktorů, výsledek směřuje k této podobě. Je to trochu jako entropie. Chaos vede k předvídatelným vzorcům.
Odpovídají vaše data křivce? Toto je první otázka, kterou byste si měli položit. Pokud ano, máte nástroje pro snadnou analýzu. Pokud ne, potřebujete jiné metody. Normální rozdělení není zákon přírody. Toto je model. Velmi užitečný model. Ale někdy realita odmítne pasovat do zvonu.
Spoléháme na tyto modely, abychom pochopili chaos. Centrální limitní teorém nám dal tuto sílu. Z nejistoty udělala něco vypočítavého. Gauss a Maxwell si nekladli za cíl vytvořit univerzální statistický nástroj. Chtěli jen porozumět hvězdám a molekulám plynu. Ale jejich práce odhalila hlubší pravdu o tom, jak svět agreguje náhodné události.
Až příště uvidíte křivku zvonu, vzpomeňte si na příběh. Vzpomeňte si na de Moivreovy mince a Laplaceovy teorémy. Není to jen forma. Je výsledkem staletí pokusů najít řád v náhodnosti. Křivka zjednodušuje komplex. Umožňuje nám předvídat nepředvídatelné.
Ale buďte varováni. Skutečná data jsou málokdy naprosto normální. Je zde šikmost a špičatost. Ocasy jsou často těžší, než model předpovídá. Normální rozdělení je aproximace. Výkonná aproximace. Ale pořád jen přiblížení. Pochopení jeho omezení je stejně důležité jako pochopení jeho aplikace. V tom spočívá skutečné porozumění.
