สูตรการแจกแจงปกติในทางสถิติ

# สูตรการแจกแจงปกติในทางสถิติ

การแจกแจงแบบปกติ หรือที่รู้จักกันในชื่อการแจกแจงแบบเกาส์เซียน หรือเส้นโค้งระฆัง เป็นหนึ่งในแนวคิดพื้นฐานที่สุดในสถิติ การมีอยู่ของการแจกแจงนี้มักถูกพิจารณาว่าเป็นรากฐานของการวิเคราะห์ทางสถิติและความน่าจะเป็นต่างๆ การแจกแจงนี้ไม่เพียงแต่ถูกใช้บ่อยในทางทฤษฎีเท่านั้น แต่ยังใช้ในแอปพลิเคชันเชิงปฏิบัติต่างๆ เช่น การจัดการความเสี่ยงทางการเงิน สังคมศาสตร์ การแพทย์ และอื่นๆ อีกมากมาย

## นิยามของการแจกแจงปกติ

การแจกแจงปกติเป็นการแจกแจงความน่าจะเป็นแบบต่อเนื่องที่มีความสมมาตรเกี่ยวกับค่าเฉลี่ย กล่าวคือ กราฟแสดงการแจกแจงนี้จะมีลักษณะเป็นเส้นโค้งระฆังคว่ำที่กว้างขึ้นที่ค่าเฉลี่ยและแคบลงที่ปลายทั้งสองข้าง การแจกแจงนี้มีพารามิเตอร์หลักสองตัว ได้แก่ ค่าเฉลี่ย (μ) และส่วนเบี่ยงเบนมาตรฐาน (σ)

ค่าเฉลี่ยกำหนดตำแหน่งศูนย์กลางของการกระจายข้อมูล ในขณะที่ค่าเบี่ยงเบนมาตรฐานวัดว่าข้อมูลกระจายตัวอยู่รอบค่าเฉลี่ยมากน้อยเพียงใด ยิ่งค่าเบี่ยงเบนมาตรฐานมากเท่าใด เส้นโค้งการกระจายข้อมูลก็จะยิ่งกว้างและสั้นลงเท่านั้น ในทางกลับกัน ยิ่งค่าเบี่ยงเบนมาตรฐานน้อยเท่าใด เส้นโค้งก็จะยิ่งแคบและชันขึ้นเท่านั้น

## ฟังก์ชันความหนาแน่นความน่าจะเป็น

ฟังก์ชันความหนาแน่นความน่าจะเป็น (pdf) สำหรับการแจกแจงปกติมีรูปแบบทางคณิตศาสตร์ดังต่อไปนี้:

\[ f(x | \mu, \sigma) = \frac{1}{\sigma \sqrt{2 \pi}} e^{ -\frac{(x-\mu)^2}{2\sigma^2} } \]

ที่นี่:
– x คือตัวแปรสุ่ม
– μ คือค่าเฉลี่ยของการแจกแจง
– σ คือค่าเบี่ยงเบนมาตรฐานของการกระจายตัว
– e คือฐานของลอการิทึมธรรมชาติ ซึ่งมีค่าประมาณ 2.71828

ฟังก์ชันข้างต้นสร้างเส้นโค้งระฆังสมมาตร การอินทิเกรตฟังก์ชันนี้ระหว่างสองจุดจะให้ความน่าจะเป็นที่ตัวแปรสุ่มจะอยู่ระหว่างค่าทั้งสองนั้น

## การแจกแจงปกติมาตรฐาน

การแจกแจงปกติมาตรฐานคือการแจกแจงปกติที่มีค่าเฉลี่ย μ = 0 และส่วนเบี่ยงเบนมาตรฐาน σ = 1 ฟังก์ชันความหนาแน่นความน่าจะเป็นสำหรับการแจกแจงปกติมาตรฐานคือ:

\[ f(z) = \frac{1}{\sqrt{2 \pi}} e^{ -\frac{z^2}{2} } \]

ที่นี่:
– \( z \) เป็นตัวแปรสุ่มที่มีการแจกแจงแบบปกติมาตรฐาน

การแจกแจงปกติมาตรฐานมักถูกนำมาใช้ เนื่องจากช่วยให้เราสามารถแปลงการแจกแจงปกติอื่นๆ ให้เป็นมาตรฐานได้ผ่านกระบวนการที่เรียกว่า “การทำให้เป็นมาตรฐาน” การทำให้เป็นมาตรฐานเกี่ยวข้องกับการแปลงค่า x ของการแจกแจงปกติ N(μ, σ) ไปเป็นค่า z ของการแจกแจงปกติมาตรฐาน N(0, 1) โดยใช้สูตรต่อไปนี้:

\[ z = \frac{x – \mu}{\sigma} \]

กระบวนการนี้ทำให้การเปรียบเทียบค่าจากชุดข้อมูลการแจกแจงปกติที่แตกต่างกันทำได้ง่ายขึ้น โดยการแปลงค่าเหล่านั้นให้อยู่ในมาตราส่วนเดียวกัน

## การประยุกต์ใช้และความเกี่ยวข้อง

### 1. ทฤษฎีบทลิมิตกลาง

การแจกแจงแบบปกติมีความเกี่ยวข้องอย่างยิ่งในบริบทของทฤษฎีบทขีดจำกัดกลาง (Central Limit Theorem: CLT) CLT กล่าวว่า ตัวแปรสุ่มอิสระจำนวนมากพอจะมีการแจกแจงแบบปกติโดยประมาณ โดยไม่คำนึงถึงรูปร่างของการแจกแจงดั้งเดิม นั่นหมายความว่า การแจกแจงแบบปกติสามารถใช้เพื่อประมาณการแจกแจงของค่าเฉลี่ยตัวอย่างได้ ตราบใดที่ตัวอย่างมีขนาดใหญ่พอ

2. การอนุมานทางสถิติ

การแจกแจงแบบปกติช่วยให้สามารถใช้การทดสอบสมมติฐานได้ เช่น การทดสอบ z และการทดสอบ t ทั้งสองวิธีใช้การแจกแจงแบบปกติมาตรฐานเพื่อกำหนดนัยสำคัญทางสถิติของผลลัพธ์ที่สังเกตได้ โดยทั่วไปแล้ว การทดสอบ z จะใช้เมื่อขนาดตัวอย่างมีขนาดใหญ่หรือทราบค่าเบี่ยงเบนมาตรฐานของประชากร ในขณะที่การทดสอบ t จะใช้เมื่อขนาดตัวอย่างมีขนาดเล็กหรือไม่ทราบค่าเบี่ยงเบนมาตรฐานของประชากร

### 3. การวิเคราะห์การถดถอย

ในการวิเคราะห์การถดถอยเชิงเส้น ข้อสมมติฐานที่ว่าข้อมูลความคลาดเคลื่อนมีการกระจายแบบปกติเป็นสิ่งสำคัญ ข้อสมมติฐานนี้ช่วยให้สามารถคำนวณช่วงความเชื่อมั่นและการทดสอบนัยสำคัญของพารามิเตอร์แบบจำลองการถดถอยได้ ในทำนองเดียวกัน การตรวจหาความคลาดเคลื่อนของข้อมูลหรือค่าผิดปกติมักทำได้โดยการตรวจสอบการกระจายของค่าตกค้างเพื่อหาความเบี่ยงเบนอย่างมีนัยสำคัญจากภาวะปกติ

### 4. การแพทย์และชีววิทยา

ในทางการแพทย์ การแจกแจงแบบปกติใช้เพื่ออธิบายการแจกแจงของปรากฏการณ์ทางชีวภาพต่างๆ ตัวอย่างเช่น ความสูง ความดันโลหิต และผลการตรวจทางห้องปฏิบัติการบางอย่าง มักมีการแจกแจงแบบปกติ ซึ่งช่วยให้การกำหนดค่าเกณฑ์สำหรับการวินิจฉัยทางการแพทย์ทำได้ง่ายขึ้น

5. การเงินและเศรษฐศาสตร์

ในด้านการเงิน การแจกแจงแบบปกติถูกนำมาใช้ในการสร้างแบบจำลองปรากฏการณ์ต่างๆ เช่น ผลตอบแทนจากหุ้น อัตราดอกเบี้ย และอื่นๆ แม้ว่าในทางปฏิบัติ หุ้นมักจะมีค่าความเบี่ยงเบนและความโค้งที่สูงกว่า แต่สมมติฐานของการแจกแจงแบบปกติก็ยังคงเป็นพื้นฐานการวิเคราะห์ที่แข็งแกร่ง

## การนำไปใช้และการคำนวณ

### การใช้งาน Python

ภาษา Python พร้อมด้วยไลบรารีต่างๆ เช่น NumPy และ SciPy มีวิธีการหลายอย่างในการทำงานกับข้อมูลการแจกแจงแบบปกติ ต่อไปนี้เป็นตัวอย่างวิธีการที่เราสามารถสรุปและพล็อตข้อมูลการแจกแจงแบบปกติโดยใช้ไลบรารีเหล่านี้:

“`หลาม
นำเข้า numpy เป็น np
นำเข้า matplotlib.pyplot เป็น plt
จาก scipy.stats นำเข้าบรรทัดฐาน

# พารามิเตอร์การแจกแจงปกติ
มิว = 0 # ค่าเฉลี่ย
ซิกมา = 1 # ส่วนเบี่ยงเบนมาตรฐาน

# ข้อมูลสำหรับการแจกแจงแบบปกติ
x = np.linspace(-5, 5, 1000)
y = norm.pdf(x, mu, sigma)

# แผนภาพการกระจายแบบปกติ
plt.พล็อต(x, y)
plt.xlabel('x')
plt.ylabel('ความหนาแน่น')
plt.title('การแจกแจงปกติ N(0, 1)')
plt.show ()
““

ในตัวอย่างข้างต้น เราสร้างข้อมูลการแจกแจงแบบปกติที่มีค่าเฉลี่ย 0 และส่วนเบี่ยงเบนมาตรฐาน 1 จากนั้นจึงพล็อตฟังก์ชันความหนาแน่นความน่าจะเป็นของข้อมูลดังกล่าว

## บทสรุป

การแจกแจงปกติมีบทบาทสำคัญในสถิติและความน่าจะเป็น การใช้งานอย่างแพร่หลาย ตั้งแต่ทฤษฎีบทขีดจำกัดกลาง ไปจนถึงการประยุกต์ใช้ในทางปฏิบัติหลายอย่าง เช่น การวิเคราะห์การถดถอยและการทดสอบสมมติฐาน ทำให้มันเป็นหนึ่งในการแจกแจงความน่าจะเป็นที่ได้รับความนิยมและสำคัญที่สุด การเข้าใจสูตรการแจกแจงปกติและวิธีการใช้งานอย่างมีประสิทธิภาพเป็นทักษะที่จำเป็นสำหรับทุกคนที่ทำงานด้านวิทยาศาสตร์ข้อมูล การวิจัย เศรษฐศาสตร์ และสาขาอื่นๆ อีกมากมาย

ด้วยความรู้ดังกล่าว เราสามารถเข้าถึงและแก้ไขปัญหาเชิงวิเคราะห์ประเภทต่างๆ ได้อย่างมีประสิทธิภาพมากขึ้น ทำให้เราสามารถตัดสินใจได้ดีขึ้นโดยอาศัยข้อมูลและความน่าจะเป็นที่มีอยู่