ฉันจะค้นพบการกระจายตัวแบบปกติได้อย่างไร?


16

อะไรคือการสืบทอดครั้งแรกของการแจกแจงแบบปกติคุณสามารถทำซ้ำสิ่งที่ได้มาและอธิบายในบริบททางประวัติศาสตร์ได้ไหม

ฉันหมายความว่าถ้ามนุษยชาติลืมเกี่ยวกับการแจกแจงแบบปกติวิธีที่น่าจะเป็นไปได้ที่ฉันจะค้นพบมันอีกครั้งและสิ่งที่น่าจะเป็นไปได้มากที่สุดคืออะไร? ฉันเดาว่าการพิสูจน์ครั้งแรกต้องมาเป็นผลพลอยได้จากการพยายามหาวิธีที่รวดเร็วในการคำนวณการแจกแจงความน่าจะเป็นแบบไม่ต่อเนื่องขั้นพื้นฐานเช่นทวินาม ถูกต้องหรือไม่


2
ไม่ยากเลยที่จะเกิดการแจกแจงความน่าจะเป็น: ใช้ฟังก์ชันการรวมที่เป็นบวกใด ๆ ทำให้เป็นมาตรฐานและคุณมีความหนาแน่นของความน่าจะเป็น ตอนนี้ถ้าคุณต้องการอนุมานความน่าจะเป็นตามที่มีตระกูลการแจกแจงคุณต้องลอการิทึมของความหนาแน่นเป็นฟังก์ชันนูนง่าย แม่นยำยิ่งขึ้นถ้าคุณต้องการโอกาสสูงสุดในการลดฟังก์ชั่นการสูญเสียที่ได้รับจากการลดลงของ exponential ของการสูญเสียนี้เป็นทางเลือกที่เหมาะสมของความหนาแน่น ข้อผิดพลาดกำลังสองก่อให้เกิดการแจกแจงแบบปกติและอาจเป็นตัวอย่างที่ง่ายที่สุดของการสูญเสียนูน
Olivier

1
@ Olivier เพียงเพราะคุณสามารถคิดค้นการแจกแจงความน่าจะเป็นได้ง่ายมันไม่ได้หมายความว่ามันมีประโยชน์หรือมันปรากฏขึ้นทุกที่ การค้นพบของการแจกแจงแบบเกาส์นั้นเกี่ยวข้องกับการแก้ปัญหาจริงที่ฉันคาดเดาไม่ใช่แค่การทำให้ฟังก์ชันเป็นปกติ
statslearner

2
มีจำนวนคำถามและคำตอบอยู่แล้วที่เกี่ยวข้องกับประวัติศาสตร์นี้ซึ่งอาจตอบหรือตอบคำถามของคุณบางส่วน
Glen_b -Reinstate Monica

2
ส่วนในวิกิพีเดียในประวัติศาสตร์en.wikipedia.org/wiki/Normal_distribution #ประวัติศาสตร์เป็นสิ่งที่ควรอ่าน ข้อสรุปที่ฉันวาดคือลำดับความสำคัญที่นี่บ่อยครั้งเป็นเรื่องของข้อพิพาทระหว่างประเทศ คุณสามารถเลือกจาก De Moivre, Laplace, Gauss, ...
mdewey

2
ลองดูคำถามนี้ที่นี่และคำตอบโดย @Glen_b stats.stackexchange.com/questions/227034/…ฉันเดาวิธีหนึ่งที่คุณจะค้นพบการแจกแจงแบบปกติอีกวิธีหนึ่งคือการวัดและตระหนักว่ามีความไม่แน่นอน / ข้อผิดพลาดที่เกี่ยวข้อง ด้วยการวัดของคุณคือถ้าคุณทำซ้ำการวัดของคุณซ้ำแล้วซ้ำอีกผลจะไม่เหมือนกัน 100% จากนั้นคุณต้องการหาปริมาณความไม่แน่นอน / ข้อผิดพลาด แล้วคุณต้องการแคลคูลัส :) การอ้างอิง Stahl ก็คุ้มค่าที่จะอ่าน!
สเตฟาน

คำตอบ:


7

ฉันเดาว่าการพิสูจน์ครั้งแรกต้องมาเป็นผลพลอยได้จากการพยายามหาวิธีที่รวดเร็วในการคำนวณการแจกแจงความน่าจะเป็นแบบไม่ต่อเนื่องขั้นพื้นฐานเช่นทวินาม ถูกต้องหรือไม่

ใช่.

เส้นโค้งปกติได้รับการพัฒนาทางคณิตศาสตร์ในปี 1733 โดย DeMoivre เป็นการประมาณการแจกแจงทวินามเป็นประมาณการกระจายทวินามกระดาษของเขาไม่ถูกค้นพบจนกระทั่ง 1924 โดย Karl Pearson Laplace ใช้เส้นโค้งปกติใน 1783 เพื่ออธิบายการกระจายของข้อผิดพลาด ต่อจากนั้นเกาส์ใช้เส้นโค้งปกติเพื่อวิเคราะห์ข้อมูลทางดาราศาสตร์ในปี 1809

ที่มา: กระจายปกติ

แหล่งข้อมูลอื่นที่มีบริบททางประวัติศาสตร์:

ทุกวันนี้ความจริงที่ว่าการแจกแจงแบบปกติเป็นการประมาณค่าสำหรับ Binomials สำหรับขนาดใหญ่ถือเป็นกรณีพิเศษของทฤษฎีขีด จำกัด กลาง สามารถพบได้ในหนังสือเรียนส่วนใหญ่และถือเป็นระดับประถมศึกษา คุณสามารถค้นหาหลักฐานในวิกิพีเดีย เลขชี้กำลังแสดงขึ้นเป็นe x = lim ( 1 + xnหลังจากการขยายตัวของเทย์เลอร์ของฟังก์ชันลักษณะที่ให้ผล-t2ex=lim(1+xn)n . บางครั้งคุณยังคงพบหลักฐานพิเศษสำหรับ Binomials ในตำราเรียนและสิ่งนี้เรียกว่าทฤษฎีบทDeMoivre-Laplacet22


เบอนัวต์แหล่งที่มาของ DeMoivre ดูเหมือนจะไม่ธรรมดาคุณสามารถรวมมันไว้ในคำตอบของคุณได้ไหม? DeMoivre ที่ได้รับมานี้เป็นสิ่งที่ฉันกำลังมองหา (เป็นบันทึกด้านข้างคุณทราบหรือไม่ว่าผลแคลคูลัสและการประมาณทั้งหมด - การประมาณค่าสเตอร์ลิงเช่น - มีให้สำหรับ DeMoivre แล้วหรือนี่เป็นรุ่นที่ทันสมัยในการพิสูจน์ของเขา?)
statslearner

1
นี่เป็นรุ่นที่ทันสมัย ฉันไม่รู้จักที่มาทางประวัติศาสตร์ของ DeMoire ข้อมูลทางประวัติศาสตร์เพียงอย่างเดียวที่ฉันมีคือบทความที่ระบุโดยทั้งสเตฟานและฉัน
เบอนัวต์ซานเชซ

6

Stahl ("วิวัฒนาการของการแจกแจงแบบปกติ", นิตยสารคณิตศาสตร์ , 2006)ระบุว่าร่องรอยทางประวัติศาสตร์ครั้งแรกของคนธรรมดามาจากการพนันการประมาณค่าการแจกแจงทวินาม (สำหรับประชากร) และการวิเคราะห์ข้อผิดพลาดในดาราศาสตร์


4
ใช่ แต่ในกรณีส่วนใหญ่ (ทั้งหมด?) การกระจายปกติไม่ชัดเจน ฟังดูคล้ายกับการสรุปเบนแฟรงคลินรู้ว่า (หรือคิดค้น) สมการของแมกซ์เวลล์เพราะเขาทดลองใช้ไฟฟ้า
whuber

คุณสามารถให้การพิสูจน์ที่ผู้เขียนเหล่านี้ทำได้หรือไม่?
statslearner

ยกตัวอย่างเช่นคณิตศาสตร์อะไรที่พวกเขาต้องได้มา
statslearner

3

ส่วนประวัติศาสตร์ของคำถามได้ตอบไปแล้วอาจเป็นไปได้หลายครั้งในฟอรัมนี้เช่นดู คำตอบที่ยอมรับสำหรับคำถามที่คล้ายกัน ไม่มันไม่ได้ถูกค้นพบว่าเป็นการประมาณค่าการแจกแจงแบบไม่ต่อเนื่อง ฉันสงสัยว่ามีความคิดเกี่ยวกับการกระจายความน่าจะเป็นในเวลานั้น มันถูกค้นพบโดยพวกที่เรียกว่านักฟิสิกส์หรือนักคณิตศาสตร์ในทุกวันนี้ฉันคิดว่านักปรัชญาธรรมชาติในเวลานั้น

อารยธรรมอื่นจะค้นพบว่าการกระจายตัวแบบปกติเป็นคำถามที่น่าสนใจได้อย่างไร ทุกคนที่ศึกษาข้อผิดพลาดและการรบกวนใด ๆ จะพบว่า มันเกิดขึ้นเพื่อให้อารยธรรมของเราพบในขณะที่ศึกษาวัตถุท้องฟ้า ฉันสงสัยว่าเป็นไปได้ว่าคนอื่นจะพัฒนาสถิติก่อนฟิสิกส์หรือคณิตศาสตร์


2

ฉันถามตัวเองด้วยคำถามนั้นและวิดีโอ youtube นี้เป็นคำตอบที่ดีที่สุดที่ฉันได้พบ

https://www.youtube.com/watch?v=cTyPuZ9-JZ0

ฉันไม่คิดว่ามันคือต้นกำเนิดดั้งเดิม แต่คำอธิบายของวิดีโอบอกว่า "การโต้แย้งนี้ดัดแปลงมาจากผลงานของนักดาราศาสตร์จอห์นเฮอร์เชลในปี ค.ศ. 1850 และนักฟิสิกส์เจมส์แคลร์แมกซ์เวลล์ในปี 1860"


1

สิ่งที่พิเศษเกี่ยวกับการแจกแจงแบบปกติคือทฤษฎีขีด จำกัด กลาง สำหรับรายละเอียดและการสืบทอด / การพิสูจน์โปรดดู: https://en.wikipedia.org/wiki/Central_limit_theorem


11
นี่ไม่ได้ตอบคำถาม
whuber

1
หัวเรื่องของคำถามคือฉันจะค้นพบการแจกแจงแบบปกติได้อย่างไร และคำตอบก็ตอบอย่างนั้น
G. Grothendieck

1

เป็นการยากที่จะแยกวิเคราะห์คำถามนี้ ใครคือ "ฉัน" ในคำถามนี้ และเวลาที่เป็นปัญหาเมื่อไหร่? คำตอบเล็ก ๆ น้อย ๆ ก็คือการหาครอบครัวระดับ / สถานที่ตั้งนั่นคือαประสบการณ์(-x2). จากนั้น OP จะถามว่า "ถ้ามนุษยชาติลืมเกี่ยวกับการแจกแจงแบบปกติมันจะค้นพบในลักษณะใด" นี่เป็นคำถามที่แตกต่างอย่างสิ้นเชิง ฉันคิดว่าคำตอบที่เกี่ยวข้องที่นี่คือที่ 1) ยืมมุมมองของวิทยาศาสตร์สมัยใหม่ 2) ให้คำตอบที่แตกต่างจากคำตอบทางประวัติศาสตร์ที่พบบ่อยที่สุด aka ทฤษฎีขีด จำกัด กลาง

ในกลศาสตร์ควอนตัมทฤษฎีสารสนเทศและอุณหพลศาสตร์นั้นเอนโทรปีจะบอกสถานะของระบบ ในฟิลด์เหล่านี้สถานะควอนตัมเป็นจริงสุ่มทั้งหมดหรือสุ่ม เปรียบเทียบสิ่งนี้กับกลไกแบบคลาสสิก ในกลไกแบบคลาสสิกรัฐได้รับการแก้ไข แต่การสังเกตของเราไม่สมบูรณ์เนื่องจากการมีส่วนร่วมของปัจจัยที่มีอิทธิพลที่ไม่ได้รับการสนับสนุนนับร้อยหรือล้าน: ผลลัพธ์ประเภทนี้ก่อให้เกิด CLT

ในกลศาสตร์ควอนตัมเราใช้ความน่าจะเป็นแบบเบย์เพื่อประเมินความเชื่อของเราเกี่ยวกับสถานะของระบบ ตามเส้นเหล่านั้นมีการนำเสนอหลักฐานและ tweaked ว่าตัวแปรสุ่มเกาส์เซียนหรือปกติมีเอนโทรปีสูงสุดในบรรดาตัวแปรสุ่มทั้งหมดที่มีค่าเฉลี่ยหรือค่าเบี่ยงเบนมาตรฐาน

https://www.dsprelated.com/freebooks/sasp/Maximum_Entropy_Property_Gaussian.html

https://en.wikipedia.org/wiki/Differential_entropy

http://bayes.wustl.edu/etj/articles/brandeis.pdf

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.