정규 분포 또는 가우스 분포

확률 이론의 모든 법 가운데, 정규 분포가 더 자주 균일 이상을 포함하여, 가장 자주 발생합니다. 아마도 이러한 현상은 깊은 근본적인 성격이다. 임의 변수의 범위의 표현으로 자신의 방식에 영향을 모두 여러 요소를 포함 할 때 결국, 유통의 이러한 종류의 관찰된다. 이 경우에 정상 (또는 가우스) 분포는 분포가 다르기 때문에 부가로 얻어진다. 그것은 정규 분포의 폭 넓은 보급 덕분이며, 그 이름을 얻었다.

우리가 교실에서 월별 강우량, 인당 소득과 학업 성취도가 원칙적으로, 그 가치의 계산에,인지, 평균값에 대해 이야기 할 때마다, 정규 분포 법을 사용했다. 이 평균치 라고 기대 그래프는 최대 (통상 M이라 함)에 대응한다. 적절한 분포 곡선의 최대에 대하여 대칭이지만, 실제로 이것은 항상 아니며,이 허용된다.

확률 변수 분포의 일반 법칙을 설명하기 위해도 (- 시그마 σ로 표시) 표준 편차를 알아야합니다. 이 그래프의 곡선 모양을 정의한다. 큰 σ는 곡선은 평평 할 것이다. 한편, 작은 σ, 샘플의보다 정확한 판정 평균치. 따라서, 큰 RMS에 대한 편차는 평균값이 숫자의 특정 범위 내에서, 그리고 임의의 숫자에 해당하지 않는 것을 말해야한다.

뿐만 아니라 통계의 다른 법률로, 확률 분포의 일반 법칙, 즉, 더 큰 샘플보다 더 나은 동작 측정에 참여하는 개체의 수. 그러나, 여기에는 또 다른 효과를 나타낸다 : 큰 샘플의 평균을 포함하여, 일정한 값을 구하는 매우 작은 확률이된다. 만 값은 중간 근처에 그룹화됩니다. 따라서 올바른 랜덤 변수가 특정 확률로 일정한 값에 근접하는 것은 말할.

이 표준 편차를하는 데 도움이 가능성을 결정합니다. 은 "세 시그마"간격에서, 즉, M +/- 3 * σ, 샘플의 모든 양의 97.3 %를 배치하고, "5 시그마"범위이다 - 약 99 %. 이러한주기는 일반적으로는, 샘플에서의 최대 및 최소 값이 필요한 경우를 결정하기 위해 사용된다. 다섯 시그마 아웃 간격의 값이 무시 될 확률. 실제로, 일반적으로 세 개의 시그마 간격을 사용했다.

정규 분포는 다차원 될 수 있습니다. 이는 물체가 동일한 측정 단위로 표현 몇몇 독립 파라미터를 갖는 것으로한다. 예를 들면, 소성시 수직 및 수평으로 타겟 중심으로부터 총알의 편차는 2 차원 정규 분포를 설명한다. 상술 한 바와 같이 평면 곡선 (가우스)의 회전 수를도 같은 이상적인 경우에이 분포의 그래프.