Sie haben es wahrscheinlich schon einmal gesehen. Diese glatte, symmetrische Glockenform, die in allem auftaucht, von standardisierten Testergebnissen bis hin zu Qualitätskontrollberichten. Es handelt sich um die Normalverteilung. Auch als Gaußsche Verteilung bekannt. Dies ist die häufigste Art und Weise, wie sich unabhängige Zufallsvariablen verhalten.
Die Kurve wird durch zwei Hauptzahlen definiert. Der Mittelwert liegt an der Spitze. Es ist der Durchschnitt. Der Graph spiegelt sich perfekt um diesen Mittelpunkt herum. Dann haben Sie die Standardabweichung. Diese Zahl entscheidet darüber, wie breit oder schmal die Kurve wird. Eine kleine Standardabweichung erzeugt ein steiles, hohes Diagramm. Ein großes macht es flach und breit.
Die Mathematik dahinter basiert auf einer Exponentialfunktion. Die Formel verwendet e, was ungefähr 2,718 beträgt. Außerdem werden Ihr Mittelwert (μ ) und die Standardabweichung (σ ) verwendet. Die Gesamtfläche unter dieser Kurve beträgt immer eins. Das ist kein Zufall. Es ist beabsichtigt. Da die Fläche auf Eins normiert ist, können Sie Wahrscheinlichkeiten direkt aus dem Raum unter der Linie ablesen. Eine Fläche von 0,5 bedeutet eine Wahrscheinlichkeit von 50 %.
Historisch gesehen erforderte die Berechnung dieser Flächen umfangreiche Berechnungen. Die meisten Menschen hatten dafür keine Zeit. Deshalb erstellten Statistiker im 19. Jahrhundert Tabellen. Diese galten für die Standardnormalverteilung. Das heißt, der Mittelwert ist Null und die Standardabweichung ist Eins. Wenn Ihre Daten nicht mit diesen Zahlen übereinstimmten, mussten Sie sie neu skalieren. Sie subtrahieren den Mittelwert. Anschließend durch die Standardabweichung dividieren. Die Formel sieht so aus: (x – μ ) / σ.
Taschenrechner haben diese Papiertabellen größtenteils zerstört. Sie geben Ihre Zahlen ein und erhalten sofort die Antwort. Das Konzept bleibt jedoch für das Verständnis der Wahrscheinlichkeitstheorie von entscheidender Bedeutung.
Der Name „Gaussian“ stammt von Carl Friedrich Gauß. Er war ein deutscher Mathematiker. 1809 entwickelte er die zweiparametrige Exponentialfunktion. Er versuchte, Fehler in astronomischen Beobachtungen zu verstehen. Diese Arbeit half ihm, das Gesetz des Beobachtungsfehlers zu entwickeln. Außerdem wurde die Methode der Methode der kleinsten Quadrate weiterentwickelt.
Ein weiterer früher Benutzer war James Clerk Maxwell. Er war ein britischer Physiker. 1859 nutzte er diese Verteilung zur Beschreibung molekularer Geschwindigkeiten. Sein Werk wurde später zum Maxwell-Boltmann-Verteilungsgesetz.
Lange vor Gauß brachte Abraham de Moivre den Stein ins Rollen. In seinem 1718 erschienenen Buch „Doctrine of Chances“ fiel ihm etwas Interessantes auf. Wahrscheinlichkeiten für diskrete Ereignisse – wie das Werfen von Münzen oder Würfeln – könnten durch eine Exponentialkurve angenähert werden. Pierre-Simon Laplace ging noch einen Schritt weiter. In seinem Werk „Théorie analytique des probabilités“ von 1812 verallgemeinerte er de Moivres Idee. Er schuf das, was wir heute den zentralen Grenzwertsatz nennen.
Dieser Satz ist mächtig. Es hat sich gezeigt, dass fast alle unabhängigen Zufallsvariablen mit zunehmender Stichprobengröße zu einer Normalverteilung konvergieren. Die Konvergenz erfolgt schnell. Diese Entdeckung ermöglichte es Mathematikern, Probleme mit der Analysis zu lösen, die zuvor unmöglich waren. Es verwandelte diskrete Probleme in kontinuierliche. Es machte hartnäckige Probleme beherrschbar.
Warum ist Ihnen das wichtig? Wenn Sie an einem Statistikkurs teilnehmen, werden Sie diesen täglich verwenden. Wenn Sie ein Forscher sind, folgen Ihre Daten wahrscheinlich diesem Muster, es sei denn, dies ist nicht der Fall. Es ist überall. Dies ist die Standardannahme für viele statistische Tests.
Das Schöne an der Normalverteilung ist ihre Universalität. Es ist egal, was Sie messen. Es ist nur wichtig, dass Sie unabhängige Variablen messen. Der zentrale Grenzwertsatz stellt sicher, dass sich die Durchschnittswerte selbst bei chaotischen Rohdaten zu einer Glockenkurve glätten. Aus diesem Grund können wir anhand kleinerer Stichproben Vorhersagen über große Gruppen treffen.
Es gibt einen Grund, warum diese Kurve so vertraut ist. Es ist nicht nur eine mathematische Kuriosität. Es ist eine grundlegende Eigenschaft des Zufalls. Wenn genügend unabhängige Faktoren zusammenkommen, tendiert das Ergebnis zu dieser Form. Es ist ein bisschen wie Entropie. Unordnung führt zu einem vorhersehbaren Muster.
Passen Ihre Daten in die Kurve? Das ist die erste Frage, die Sie stellen sollten. Wenn dies der Fall ist, verfügen Sie über Tools, mit denen Sie es problemlos analysieren können. Ist dies nicht der Fall, benötigen Sie andere Methoden. Die Normalverteilung ist kein Naturgesetz. Es ist ein Modell. Ein sehr nützliches. Aber manchmal weigert sich die Realität, in die Realität zu passen.
Wir verlassen uns auf diese Modelle, um dem Chaos einen Sinn zu geben. Der zentrale Grenzwertsatz gab uns diese Kraft. Es hat die Unsicherheit in etwas Berechenbares verwandelt. Gauss und Maxwell hatten nicht das Ziel, ein universelles statistisches Werkzeug zu schaffen. Sie wollten lediglich Sterne und Gasmoleküle verstehen. Aber ihre Arbeit enthüllte eine tiefere Wahrheit darüber, wie die Welt zufällige Ereignisse aggregiert.
Wenn Sie das nächste Mal eine Glockenkurve sehen, denken Sie an die Geschichte. Erinnern Sie sich an die Münzen von de Moivre und die Sätze von Laplace. Es ist nicht nur eine Form. Es ist das Ergebnis jahrhundertelanger Bemühungen, Ordnung im Zufall zu finden. Die Kurve vereinfacht den Komplex. Es ermöglicht uns, das Unvorhersehbare vorherzusagen.
Aber denken Sie daran. Echte Daten sind selten vollkommen normal. Schiefe und Wölbung sind vorhanden. Die Schwänze sind oft schwerer als das Modell vorhersagt. Die Normalverteilung ist eine Näherung. Ein kraftvoller. Aber dennoch eine Annäherung. Das Verständnis seiner Grenzen ist ebenso wichtig wie das Verständnis seiner Anwendung. Darin liegt die wahre Erkenntnis.
