Intitulé : Normal Distribution Probability Density Function (PDF)
La fonction de densité de probabilité d'une distribution normale décrit la probabilité qu'une variable aléatoire continue prenne une valeur spécifique en fonction de sa moyenne et de sa variance.
This public page keeps the free explanation visible and leaves premium worked solving, advanced walkthroughs, and saved study tools inside the app.
Core idea
Overview
Cette formule représente la courbe gaussienne classique en forme de cloche, où le pic est défini par la moyenne (μ) et l'étalement ou la largeur est contrôlé par la variance (σ²). C'est la pierre angulaire des statistiques inférentielles, car le théorème central limite stipule que les sommes de nombreuses variables aléatoires indépendantes tendent vers cette distribution. L'intégrale de cette fonction sur n'importe quel intervalle représente la probabilité que la variable aléatoire tombe dans cet intervalle.
When to use: Utilisez ceci pour modéliser des phénomènes physiques, biologiques ou sociaux où les points de données se regroupent autour d'une moyenne centrale avec des écarts symétriques.
Why it matters: Cela permet le calcul des probabilités, les tests d'hypothèses et l'estimation des paramètres dans presque tous les domaines scientifiques et techniques.
Symbols
Variables
x = Random Variable, = Mean, = Variance
Walkthrough
Derivation
Dérivation de la fonction de densité de probabilité (PDF) de la loi normale
La loi normale est dérivée de l'exigence que l'estimateur de maximum de vraisemblance pour une moyenne d'observations indépendantes soit la moyenne arithmétique, menant à l'équation fonctionnelle de Gauss.
- La fonction de densité de probabilité f(x) ne dépend que de la distance à la moyenne.
- La probabilité conjointe d'observations indépendantes est le produit de leurs probabilités individuelles.
- La fonction doit être normalisée de telle sorte que l'aire totale sous la courbe soit égale à 1.
Formulation de l'équation fonctionnelle
En supposant que la valeur la plus probable pour la moyenne est la moyenne arithmétique, le produit des densités doit être une fonction de la somme des carrés des observations.
Note: Ceci est souvent appelé la dérivation de Gauss basée sur le postulat de la moyenne arithmétique.
Résolution par différenciation logarithmique
En prenant le logarithme naturel des deux côtés, le produit se transforme en une somme, ce qui implique que la dérivée doit être linéaire, menant à la forme f(x) = Ce^{ax^2}.
Note: Nous identifions 'a' comme négatif pour garantir que la fonction décroît à mesure que |x| augmente.
Détermination des constantes
Nous utilisons l'identité de l'intégrale gaussienne pour trouver la constante de normalisation C, garantissant que la probabilité totale intègre à 1.
Note: Rappelez-vous que l'intégrale de est la racine carrée de pi.
Normalisation finale
La substitution de la variance sigma-carré pour le paramètre d'étalement donne la forme standard de la PDF normale.
Note: Cette forme finale satisfait la propriété que la distribution est centrée sur mu avec une variance sigma-carré.
Result
Source: Gauss, C. F. (1809). Theoria motus corporum coelestium.
Free formulas
Rearrangements
Solve for
Isoler x
Isolez la variable x en prenant le logarithme népérien et en effectuant des opérations algébriques.
Difficulty: 3/5
Solve for
Isoler
Réarrange l'équation pour isoler mu.
Difficulty: 3/5
Solve for
Isoler
Résolvez la variance en utilisant la fonction Lambert W ou des méthodes itératives car apparaît à la fois dans la base et dans l'exposant.
Difficulty: 4/5
The static page shows the finished rearrangements. The app keeps the full worked algebra walkthrough.
Why it behaves this way
Intuition
Imaginez une chaîne de montagnes physique créée en laissant tomber du sable sur une surface plane. Le sommet (la moyenne) est l'endroit où la majeure partie du sable se rassemble, et la hauteur diminue de façon exponentielle à mesure que l'on s'éloigne du centre. La courbe est une forme 'pondérée par la gravité' où la raideur des pentes est contrôlée par l'étalement du sable ; un large tas (grande variance) est doux, tandis qu'un pic haut et étroit (petite variance) est raide.
Signs and relationships
- -(x - μ)²: Le signe négatif garantit que l'exposant est toujours négatif ou nul, créant un pic à la moyenne (où x=μ) et faisant décroître la fonction vers zéro à mesure que x s'éloigne de la moyenne.
- 1 / sqrt(2πσ²): C'est la 'constante de normalisation'. Elle garantit que l'aire totale sous la courbe entière est exactement 1, représentant 100% de la probabilité totale.
One free problem
Practice Problem
Pour une distribution normale avec une moyenne (μ) de 0 et une variance (σ²) de 1, calculez la densité f(x) à x = 0.
Hint: Rappelez-vous que = 1 et que l'expression se simplifie en 1/sqrt(2π).
The full worked solution stays in the interactive walkthrough.
Where it shows up
Real-World Context
Les tailles des hommes adultes dans une population spécifique, qui se regroupent autour d'une taille moyenne avec un écart-type prévisible.
Study smarter
Tips
- Rappelez-vous que l'aire totale sous la courbe est toujours exactement 1.
- Utilisez la distribution normale standard (score Z) en définissant μ=0 et σ=1 pour simplifier les calculs complexes.
- Notez qu'environ 68 %, 95 % et 99,7 % des données se situent respectivement à 1, 2 et 3 écarts-types de la moyenne.
Avoid these traps
Common Mistakes
- Confusion entre l'écart type (σ) et la variance (σ²).
- Supposer que la valeur de la PDF est une probabilité elle-même, plutôt qu'une densité (la probabilité d'un point exact est 0).
Common questions
Frequently Asked Questions
La loi normale est dérivée de l'exigence que l'estimateur de maximum de vraisemblance pour une moyenne d'observations indépendantes soit la moyenne arithmétique, menant à l'équation fonctionnelle de Gauss.
Utilisez ceci pour modéliser des phénomènes physiques, biologiques ou sociaux où les points de données se regroupent autour d'une moyenne centrale avec des écarts symétriques.
Cela permet le calcul des probabilités, les tests d'hypothèses et l'estimation des paramètres dans presque tous les domaines scientifiques et techniques.
Confusion entre l'écart type (σ) et la variance (σ²). Supposer que la valeur de la PDF est une probabilité elle-même, plutôt qu'une densité (la probabilité d'un point exact est 0).
Les tailles des hommes adultes dans une population spécifique, qui se regroupent autour d'une taille moyenne avec un écart-type prévisible.
Rappelez-vous que l'aire totale sous la courbe est toujours exactement 1. Utilisez la distribution normale standard (score Z) en définissant μ=0 et σ=1 pour simplifier les calculs complexes. Notez qu'environ 68 %, 95 % et 99,7 % des données se situent respectivement à 1, 2 et 3 écarts-types de la moyenne.
References
Sources
- Feller, W. (1968). An Introduction to Probability Theory and Its Applications.
- Ross, S. M. (2014). A First Course in Probability.
- Gauss, C. F. (1809). Theoria motus corporum coelestium.