En estadística, la Gaussiana o normal, la distribución se utilizan para caracterizar los sistemas complejos con muchos factores. Como se describe en Stephen Stigler, La Historia de las Estadísticas, Abraham De Moivre inventó la distribución que lleva Karl Fredrick de Gauss nombre. De Gauss, la contribución de los laicos en su aplicación de la distribución de los mínimos cuadrados enfoque para minimizar el error en el ajuste de los datos con una línea de mejor ajuste. Él así lo hizo el más importante de distribución de error en las estadísticas.
En estadística, la Gaussiana o normal, la distribución se utilizan para caracterizar los sistemas complejos con muchos factores. Como se describe en Stephen Stigler, La Historia de las Estadísticas, Abraham De Moivre inventó la distribución que lleva Karl Fredrick de Gauss nombre. De Gauss, la contribución de los laicos en su aplicación de la distribución de los mínimos cuadrados enfoque para minimizar el error en el ajuste de los datos con una línea de mejor ajuste. Él así lo hizo el más importante de distribución de error en las estadísticas.
la Motivación
- ¿Cuál es la distribución de una muestra de datos? ¿Qué pasa si usted no sabe los datos de la distribución subyacente? Hay alguna manera para poner a prueba hipótesis acerca de los datos sin conocer la distribución subyacente? Gracias al Teorema del Límite Central, la respuesta es sí.
Declaración del Teorema
- Se establece que la media de la muestra de una población infinita es aproximadamente normal o Gaussiana, con el mismo significado que la subyacente de la población, y varianza igual a la varianza de la población dividido por el tamaño de la muestra. La aproximación mejora a medida que el tamaño de la muestra se hace grande.
La aproximación de la declaración es a veces malinterpretado como una conclusión acerca de la convergencia a una distribución normal. Desde la aproximación de la distribución normal cambia a medida que el tamaño de la muestra aumenta, tal afirmación es engañosa.
El teorema fue desarrollado por Pierre Simon de Laplace.
¿por Qué está en todas partes
- las distribuciones Normales son omnipresentes. La razón proviene del Teorema del Límite Central. A menudo, cuando un valor se mide, es la suma del efecto de muchas variables independientes. Por lo tanto, el valor que se mide en sí tiene una muestra de la media de calidad. Por ejemplo, una distribución de atleta actuaciones pueden tener una campana en forma de, como resultado de las diferencias en la dieta, el entrenamiento, la genética, el coaching y la psicología. Incluso los hombres de la altura tiene una distribución normal, siendo una función de muchos factores biológicos.
Gaussian Cúpulas
- Lo que se llama una cópula función' con una distribución de Gauss fue noticia en 2009 debido a su uso en la evaluación de los riesgos de invertir en el colateral de los bonos. El uso indebido de la función fue instrumental en la crisis financiera de 2008-2009. Aunque hay muchas causas de la crisis, en la retrospectiva de Gauss de las distribuciones de probabilidades de que no debería haber sido utilizado. Una función con una cola más gruesa habría asignado una mayor probabilidad de eventos adversos.
Etimología
- El Teorema del Límite Central puede ser demostrado en muchas líneas mediante el análisis del momento de generación de función (mgf) de (la media de la muestra - población media)/?(la varianza de la población / tamaño de la muestra) como una función de la mgf de la subyacente de la población. La aproximación de la parte del teorema es introducido por la expansión de la subyacente de la población de la mgf como una potencia de la serie, mostrando la mayoría de los términos son insignificantes como el tamaño de la muestra se hace grande.
puede ser probado en mucho menor número de líneas utilizando una expansión de Taylor de la ecuación característica de la misma función y hacer que el tamaño de la muestra grande.
Computacional Conveniencia
- Algunos de los modelos estadísticos presumen los errores de Gauss. Esto permite que las distribuciones de funciones de variables normales, como el test de la chi-cuadrado y F - distribución, para ser utilizado en la prueba de hipótesis. Específicamente, en la prueba F, la estadística F se compone de una relación de chi-cuadrado de las distribuciones, que de por sí son funciones de la normal de variación de parámetros. La relación de las dos causas de la varianza para cancelar, permitiendo la prueba de hipótesis sin el conocimiento de las desviaciones aparte de su normalidad y la constancia.
¿Cual Es La Distribucion Gaussiana?
En estadistica, la Gaussiana o normal, la distribucion se utilizan para caracterizar los sistemas complejos con muchos factores. Como se describe en Stephen Stigler, La Historia de las Estadisticas, Abraham De Moivre invento la distribucion que lleva Karl Fredrick de Gauss nombre. De Gauss, la contribucion de los laicos en su aplicacion de la distribucion de los minimos cuadrados enfoque para minimizar el error en el ajuste de los datos con una linea de mejor ajuste. El asi lo hizo el mas importante de distribucion de error en las estadisticas.
En estadistica, la Gaussiana o normal, la distribucion se utilizan para caracterizar los sistemas complejos con muchos factores. Como se describe en Stephen Stigler, La Historia de las Estadisticas, Abraham De Moivre invento la distribucion que lleva Karl Fredrick de Gauss nombre. De Gauss, la contribucion de los laicos en su aplicacion de la distribucion de los minimos cuadrados enfoque para minimizar el error en el ajuste de los datos con una linea de mejor ajuste. El asi lo hizo el mas importante de distribucion de error en las estadisticas.
la Motivacion
- ¿Cual es la distribucion de una muestra de datos? ¿Que pasa si usted no sabe los datos de la distribucion subyacente? Hay alguna manera para poner a prueba hipotesis acerca de los datos sin conocer la distribucion subyacente? Gracias al Teorema del Limite Central, la respuesta es si.
Declaracion del Teorema
- Se establece que la media de la muestra de una poblacion infinita es aproximadamente normal o Gaussiana, con el mismo significado que la subyacente de la poblacion, y varianza igual a la varianza de la poblacion dividido por el tamaño de la muestra. La aproximacion mejora a medida que el tamaño de la muestra se hace grande.
La aproximacion de la declaracion es a veces malinterpretado como una conclusion acerca de la convergencia a una distribucion normal. Desde la aproximacion de la distribucion normal cambia a medida que el tamaño de la muestra aumenta, tal afirmacion es engañosa.
El teorema fue desarrollado por Pierre Simon de Laplace.
¿por Que esta en todas partes
- las distribuciones Normales son omnipresentes. La razon proviene del Teorema del Limite Central. A menudo, cuando un valor se mide, es la suma del efecto de muchas variables independientes. Por lo tanto, el valor que se mide en si tiene una muestra de la media de calidad. Por ejemplo, una distribucion de atleta actuaciones pueden tener una campana en forma de, como resultado de las diferencias en la dieta, el entrenamiento, la genetica, el coaching y la psicologia. Incluso los hombres de la altura tiene una distribucion normal, siendo una funcion de muchos factores biologicos.
Gaussian Cupulas
- Lo que se llama una copula funcion' con una distribucion de Gauss fue noticia en 2009 debido a su uso en la evaluacion de los riesgos de invertir en el colateral de los bonos. El uso indebido de la funcion fue instrumental en la crisis financiera de 2008-2009. Aunque hay muchas causas de la crisis, en la retrospectiva de Gauss de las distribuciones de probabilidades de que no deberia haber sido utilizado. Una funcion con una cola mas gruesa habria asignado una mayor probabilidad de eventos adversos.
Etimologia
- El Teorema del Limite Central puede ser demostrado en muchas lineas mediante el analisis del momento de generacion de funcion (mgf) de (la media de la muestra - poblacion media)/?(la varianza de la poblacion / tamaño de la muestra) como una funcion de la mgf de la subyacente de la poblacion. La aproximacion de la parte del teorema es introducido por la expansion de la subyacente de la poblacion de la mgf como una potencia de la serie, mostrando la mayoria de los terminos son insignificantes como el tamaño de la muestra se hace grande.
puede ser probado en mucho menor numero de lineas utilizando una expansion de Taylor de la ecuacion caracteristica de la misma funcion y hacer que el tamaño de la muestra grande.
Computacional Conveniencia
- Algunos de los modelos estadisticos presumen los errores de Gauss. Esto permite que las distribuciones de funciones de variables normales, como el test de la chi-cuadrado y F - distribucion, para ser utilizado en la prueba de hipotesis. Especificamente, en la prueba F, la estadistica F se compone de una relacion de chi-cuadrado de las distribuciones, que de por si son funciones de la normal de variacion de parametros. La relacion de las dos causas de la varianza para cancelar, permitiendo la prueba de hipotesis sin el conocimiento de las desviaciones aparte de su normalidad y la constancia.
¿Cuál Es La Distribución Gaussiana?
By Consejos Y Trucos
En estadística, la Gaussiana o normal, la distribución se utilizan para caracterizar los sistemas complejos con muchos factores. Como se describe en Stephen Stigler, La Historia de las Estadísticas, Abraham De Moivre inventó la distribución que lleva Karl Fredrick de Gauss nombre. De Gauss, la contribución de los laicos en su aplicación de la distribución de los mínimos cuadrados enfoque para minimizar el error en el ajuste de los datos con una línea de mejor ajuste. Él así lo hizo el más importante de distribución de error en las estadísticas.