توزیع گاوسی: یک راهنمای جامع

در آمار و علم داده مفاهیم کمی پیدا می‌شن که به اندازه توزیع گاوسی، پایه‌ای و پرکاربرد باشن. این مدل ریاضی که بهش توزیع نرمال هم می‌گن، پایه و اساس بی‌شمار روش آماری و تکنیک تحلیل داده‌ست.

این راهنمای جامع، مفهوم توزیع‌های گاوسی رو باز می‌کنه و ویژگی‌ها، کاربردها و اهمیتشون در تحلیل داده‌های مدرن رو بررسی می‌کنه. ما بررسی می‌کنیم که چرا این توزیع‌ها در پدیده‌های طبیعی انقدر رایج هستن و چطور در زمینه‌های مختلف، از مالی گرفته تا تولید، استفاده می‌شن.

اگه در آمار تازه‌کاری یا می‌خوای مفاهیم پایه‌ای رو مرور کنی، دوره مقدمه‌ای بر آمار ما در فینکا یک پایه عالی برات می‌سازه. برای کسانی هم که آماده‌ان این مفاهیم رو در زبان‌های برنامه‌نویسی مختلف مثل پایتون پیاده کنن، دوره تفکر آماری در پایتون (۱) کمکت می‌کنن تا روش‌های مختلفی که توزیع گاوسی در آمار توصیفی و استنباطی ظاهر می‌شه رو بهتر درک کنی.

توزیع گاوسی چیه؟

توزیع گاوسی که بهش توزیع نرمال هم می‌گن، یک توزیع احتمال پیوسته‌ست که با منحنی زنگوله‌ای‌شکل خودش شناخته می‌شه. این توزیع با دو تا پارامتر تعریف می‌شه:

1. μ (مو): میانگین یا مقدار مورد انتظار توزیع
2. σ (سیگما): انحراف معیار، که میزان پراکندگی توزیع رو اندازه می‌گیره

تابع چگالی احتمال یک توزیع گاوسی به این شکل به دست میاد:

که در اون:

• x همون متغیره
• e عدد اویلره (تقریباً 2.71828)
• π ثابت ریاضی پی هست (تقریباً 3.14159)

رسم توزیع گاوسی

برای اینکه مفهوم توزیع گاوسی روشن‌تر بشه، توزیع وزن نوزادها در یک جمعیت بزرگ رو در نظر بگیر:

بعضی از مشاهدات کلیدی از این نمودار عبارتند از:

• وزن تولد بیشتر نوزادها دور و بر یک مقدار میانگین (اوج منحنی) متمرکز می‌شه.
• نوزادهای کمتری وزن تولدی دارن که اختلاف زیادی با این میانگین داشته باشه.
• تعداد خیلی کمی از نوزادها، وزن تولد خیلی بالا یا خیلی پایینی دارن.

قضیه حد مرکزی

اینکه توزیع‌های گاوسی در طبیعت و آمار این‌قدر رایج هستن رو می‌شه با قضیه حد مرکزی توضیح داد. این قضیه می‌گه با افزایش اندازه نمونه (مثلاً n ≥ 30)، توزیع میانگین‌های نمونه به یک توزیع نرمال نزدیک می‌شه، حالا توزیع اصلی جامعه هر شکلی که می‌خواد باشه.

یکی از جنبه‌های کلیدی قضیه حد مرکزی اینه که همگرایی به یک توزیع نرمال، با افزایش اندازه نمونه نسبتاً سریع اتفاق می‌افته. برای بیشتر کاربردهای عملی، حتی نمونه‌هایی با اندازه متوسط (مثلاً n ≥ 30) هم کافی هستن تا میانگین‌های نمونه به یک توزیع نرمال نزدیک بشن. این موضوع حتی اگر خود جامعه چوله باشه هم صدق می‌کنه.

توزیع گاوسی استاندارد

در بین انواع توزیع‌های گاوسی، یک حالت خاص وجود داره که به عنوان توزیع گاوسی استاندارد شناخته می‌شه و بیشتر با اسم توزیع نرمال استاندارد معروفه. این یک توزیع گاوسیه که در اون:

• میانگین (μ) دقیقاً صفره.
• انحراف معیار (σ) دقیقاً یکه.

تابع چگالی احتمال یک توزیع گاوسی استاندارد با فرمول زیر به دست میاد:

دقت کن که فرمول تابع چگالی احتمال گاوسی استاندارد به خاطر مقادیر خاصی که به میانگین و انحراف معیار داده شده، از فرم کلی ساده‌تر می‌شه. حالا بیاییم توزیع گاوسی استاندارد رو رسم کنیم.

توزیع گاوسی استاندارد که در نمودار بالا نشون داده شده، به عنوان یک نقطه مرجع در آمار عمل می‌کنه. در این تصویر می‌تونی ببینی که توزیع گاوسی استاندارد در واقع چطور نسخه استانداردشده هر توزیع گاوسی دیگه‌ایه. فرآیند استانداردسازی، میانگین رو به 0 و انحراف معیار رو به 1 تغییر مقیاس می‌ده، در حالی که ویژگی‌های اساسی توزیع کاملاً حفظ می‌شه.

ویژگی‌های توزیع‌های گاوسی

حالا بیا به بعضی از ویژگی‌های توزیع‌های گاوسی نگاهی بندازیم.

تقارن و منحنی زنگوله‌ای

بارزترین ویژگی یک توزیع گاوسی، همون شکل زنگوله‌ای و متقارن اونه. این تقارن یعنی احتمال قرار گرفتن داده‌ها در بالا یا پایین میانگین با هم برابره، که این ویژگی به‌خصوص در پیش‌بینی احتمالات و استنتاج درباره داده‌ها خیلی به درد می‌خوره. همون‌طور که در نمودار زیر نشون داده شده، همه توزیع‌های گاوسی این شکل زنگوله‌ای مشخص رو حفظ می‌کنن، صرف‌نظر از اینکه میانگین یا انحراف معیارشون چقدر باشه.

هم‌راستایی میانگین، میانه و مد

در یک توزیع گاوسی کامل، میانگین، میانه و مُد همگی با هم برابرن. این هم‌راستایی، نشون‌دهنده گرایش مرکزی داده‌هاست که برای خلاصه‌سازی دیتاست‌هایخیلی ارزشمنده. در نمودار ما، می‌تونی ببینی که چطور قله هر منحنی دقیقاً همین نقطه مرکزی رو نشون می‌ده.

انحراف معیار و پراکندگی داده‌ها

انحراف معیار در یک توزیع گاوسی بهمون می‌گه که داده‌ها چقدر از میانگین فاصله دارن. این مفهوم از یک الگوی قابل پیش‌بینی پیروی می‌کنه:

• حدود 68% از داده‌ها در فاصله یک انحراف معیار از میانگین قرار می‌گیرن.
• حدود 95% در فاصله دو انحراف معیار قرار می‌گیرن.
• حدود 99.7% در فاصله سه انحراف معیار قرار می‌گیرن.

این قانون که به قانون 68-95-99.7 معروفه، برای همه توزیع‌های گاوسی، صرف‌نظر از میانگین یا انحراف معیارشون، صدق می‌کنه.

کاربردهای عملی توزیع‌های گاوسی

توزیع‌های گاوسی فقط یک مفهوم تئوری و نظری نیستن، بلکه کاربردهای خیلی گسترده‌ای در زمینه‌های مختلف دارن.

استنباط آماری و آزمون فرض

خیلی از آزمون‌های آماری، مثل آزمون‌های t و آنالیز واریانس (ANOVA) فرض می‌کنن که داده‌ها به صورت نرمال توزیع شدن. این آزمون‌ها به محقق‌ها کمک می‌کنن تا بفهمن آیا تفاوت‌های معنی‌داری بین گروه‌ها وجود داره یا اینکه اثرات مشاهده‌شده فقط ناشی از شانس و تصادف هستن. فرض نرمال بودن به محقق‌ها اجازه می‌ده تا p-valueها و فواصل اطمینان رو محاسبه کنن و چارچوبی برای نتیجه‌گیری از داده‌ها و تصمیم‌گیری آگاهانه فراهم می‌کنن.  

فرض نرمال بودن اون‌قدر مهمه که تکنیک‌های بازنمونه‌گیری مثل بوت‌استرپینگ توسعه پیدا کردن تا توزیع‌های بازنمونه‌گیری نرمال رو از داده‌های غیرنرمال تولید کنن؛ این کار ساخت فواصل اطمینان و انجام بقیه تحلیل‌های آماری رو خیلی راحت‌تر می‌کنه. آموزش ما در مورد آزمون فرض در فینکا نشون می‌ده که چطور این آزمون‌ها رو در سناریوهای مختلف، از جمله موقعیت‌هایی که داده‌ها به طور نرمال توزیع شدن، انجام بدی.

الگوریتم‌های یادگیری ماشین

خیلی از تکنیک‌های یادگیری ماشین بر پایه فرضیات نرمال بودن کار می‌کنن و همین موضوع باعث می‌شه توزیع‌های گاوسی برای عملکرد و تفسیر اون‌ها حیاتی باشن. مثلاً در رگرسیون خطی، ما معمولاً می‌خوایم مطمئن بشیم که مقادیر y (متغیر وابسته) از یک توزیع نرمال پیروی می‌کنن تا به تخمین‌های خودمون اطمینان داشته باشیم. علاوه بر این، هدفمون اینه که باقیمانده‌ها (تفاوت بین مقادیر مشاهده‌شده و پیش‌بینی‌شده) هم توزیع نرمال داشته باشن. این فرضیاتِ نرمال بودن، پایه و اساس آزمون‌های آماری هستن که برای ارزیابی قابلیت اطمینان مدل و فواصل اطمینان پیش‌بینی‌هاش استفاده می‌شن.

از طرفی، دانشمندان یادگیری ماشین ممکنه به خاطر کارایی محاسباتی، کار با داده‌هایی که از توزیع گاوسی پیروی می‌کنن رو ترجیح بدن. یک توزیع گاوسی می‌تونه به طور غیرمستقیم باعث بهبود کارایی محاسباتی در الگوریتم‌های خاص بشه؛ به‌خصوص الگوریتم‌هایی که فرض می‌کنن یا وابسته‌ان به اینکه داده‌ها به طور نرمال توزیع بشن.

• تخمین کارآمد پارامترها: در یک توزیع گاوسی، میانگین و واریانس آماره‌ها کافی هستن، یعنی توزیع رو به طور کامل توصیف می‌کنن. این موضوع نیاز به مدل‌سازی پیچیده گشتاورهای بالاتر رو کم می‌کنه و تخمین پارامترها رو سرعت می‌بخشه.
• همگرایی الگوریتم: الگوریتم‌هایی مثل گرادیان کاهشی که برای بهینه‌سازی در یادگیری ماشین استفاده می‌شن، اگه داده‌ها به طور نرمال توزیع بشن، خیلی سریع‌تر همگرا می‌شن.
• کاهش پیچیدگی محاسباتی در برخی الگوریتم‌ها: الگوریتم‌هایی مثل Gaussian Naive Bayes دقیقاً برای داده‌های توزیع‌شده به صورت نرمال طراحی شدن و وقتی این فرض برقرار باشه، می‌تونن از نظر محاسباتی به شدت کارآمد باشن.

نکاتی که باید در مورد توزیع‌های گاوسی در نظر بگیری

با اینکه توزیع‌های گاوسی به شدت مفید و کاربردی هستن، خیلی مهمه که از بعضی باورهای غلط رایج درباره‌شون آگاه باشی.

همه داده‌ها به صورت نرمال توزیع نشدن

خیلی از پدیده‌های طبیعی و اجتماعی از توزیع‌های دیگه‌ای پیروی می‌کنن. همیشه قبل از اینکه فرض کنی داده‌هات به طور نرمال توزیع شدن، حتماً بررسی‌شون کن. برای مثال، توزیع‌های درآمد اغلب چولگی به راست دارن و به جای توزیع نرمال، از توزیع لُگ‌نرمال پیروی می‌کنن. به همین شکل، زمان‌های انتظار و فراوانی گونه‌ها در زیست‌شناسی هم اغلب از توزیع‌های نمایی یا توانی پیروی می‌کنن.  

حتی بعضی از توزیع‌هایی که انتظار داری نرمال باشن، لزوماً نرمال نیستن. برای مثال، سن افراد در یک محله ممکنه به خاطر اینکه بعضی نسل‌ها فرزندان بیشتری دارن (در کنار دلایل دیگه)، توزیع نرمال نداشته باشه. در نهایت، باید بگیم که بعضی توزیع‌ها ممکنه نرمال به نظر برسن اما در واقع این‌طور نباشن. مثلاً توزیع قانون توانی دم‌ داره، و توزیع کوشی هم میانگین یا واریانس تعریف‌شده‌ای نداره.

مقادیر پرت و مقادیر خیلی کوچیک یا خیلی بزرگ

در یک توزیع گاوسی، مقادیر پرت نادرن اما غیرممکن نه. نقاط داده غیرمعمول رو همین‌طوری به طور خودکار کنار نذار؛ ممکنه حاوی اطلاعات ارزشمندی باشن. قانون 68-95-99.7 بهمون می‌گه که حدود 0.3% از داده‌ها در یک توزیع نرمال، فراتر از سه انحراف معیار از میانگین قرار می‌گیرن. یعنی در یک مجموعه داده با 1000 نقطه، حدود 3 نقطه می‌تونن بدون اینکه فرضیات نرمال بودن رو نقض کنن، مقادیر بسیار بزرگ یا کوچیکی داشته باشن.

اندازه نمونه مهمه

قضیه حد مرکزی به یک اندازه نمونه به اندازه کافی بزرگ نیاز داره تا بتونه به خوبی کار کنه. وقتی می‌خوای فرضیات توزیع نرمال رو روی دیتاست‌های کوچیک اعمال کنی، باید حسابی احتیاط کنی. با اینکه هیچ عدد قطعی و ثابتی وجود نداره، خیلی از آمارشناس‌ها پیشنهاد می‌کنن که اندازه نمونه حداقل 30 باشه تا قضیه حد مرکزی به خوبی اعمال بشه. با این حال، این عدد می‌تونه بسته به توزیع اصلی جامعه متفاوت باشه. برای توزیع‌هایی که به شدت چولگی دارن، ممکنه به نمونه‌های خیلی بزرگ‌تری نیاز داشته باشی.

توزیع‌های دیگه‌ای که باید در نظر بگیری

با وجود اینکه توزیع‌های گاوسی به طور گسترده‌ای کاربرد دارن، گاهی اوقات توزیع‌های دیگه می‌تونن گزینه‌های مناسب‌تری باشن.

توزیع t-Student's

توزیع  t-Student's خیلی شبیه توزیع نرماله اما دم‌‌های پهن‌تری داره؛ یعنی احتمال بیشتری رو به مقادیر بسیار بزرگ یا کوچیک که دورتر از میانگین هستن اختصاص می‌ده. این ویژگی باعث می‌شه در سناریوهای زیر خیلی مفید باشه:

• اندازه‌های نمونه کوچیک: موقع کار با دیتاست‌های کوچیک (معمولاً کمتر از 30 مشاهده)، تخمین انحراف معیار جامعه کمتر قابل اعتماده. توزیع t این عدم قطعیت رو در نظر می‌گیره.
• انحراف معیار نامشخص جامعه: اگر انحراف معیار جامعه مشخص نباشه (که اغلب هم همین‌طوره)، توزیع t مدل دقیق‌تری رو برای توزیع نمونه‌گیریِ میانگین نمونه فراهم می‌کنه.
• مقادیر پرت و دم‌‌های پهن: داده‌هایی که مستعد داشتن مقادیر پرت هستن، از دم‌‌های پهن‌تر توزیع t بهره می‌برن و در مقایسه با توزیع نرمال برازش خیلی بهتری ارائه می‌دن.

با بزرگ‌تر شدن اندازه نمونه، توزیع t به توزیع نرمال نزدیک‌تر می‌شه. دلیلش هم به قضیه حد مرکزی برمی‌گرده؛ این قضیه می‌گه وقتی اندازه نمونه بزرگ‌تر می‌شه، توزیع نمونه‌گیریِ میانگین نمونه، صرف‌نظر از اینکه توزیع جامعه چه شکلی داره، به توزیع نرمال نزدیک می‌شه.

توزیع لگ‌نرمال

توزیع لگ‌نرمال (log-normal) برای مدل‌سازی داده‌هایی که چولگی مثبت دارن و نمی‌تونن مقادیر منفی بگیرن، خیلی کاربردیه. این توزیع با این ویژگی‌ها شناخته می‌شه:

• فرآیندهای ضربی: وقتی داده‌ها از ضرب چندین عامل مثبت و مستقل (مثل بهره مرکب) به دست می‌آن، توزیع لگ‌نرمال اغلب گزینه مناسبیه.
• داده‌های چوله: متغیرهایی مثل درآمد، قیمت سهام و بعضی اندازه‌گیری‌های بیولوژیکی (مثل طول ارگانیسم‌ها یا زمان واکنش) معمولاً چولگی به راست دارن، که باعث می‌شه توزیع لگ‌نرمال برازش خیلی بهتری داشته باشه.
• مقادیر غیرمنفی: از اونجایی که تابع نمایی هیچ‌وقت خروجی منفی نداره، متغیرهای دارای توزیع لگ‌نرمال کاملاً مثبت هستن؛ این ویژگی دقیقاً با سناریوهای دنیای واقعی که در اون‌ها مقادیر منفی غیرممکن یا بی‌معنی هستن، همخوانی داره.

از نظر ریاضی، یک متغیر X دارای توزیع لگ‌نرماله اگر ln(X) توزیع نرمال داشته باشه. این ویژگی بهت اجازه می‌ده تا از تکنیک‌های توزیع نرمال روی داده‌های تبدیل‌شده لگاریتمی استفاده کنی که این کار، تحلیل و تفسیر داده‌ها رو خیلی ساده‌تر می‌کنه.

توزیع گاوسی چندمتغیره

توزیع گاوسی چندمتغیره (که بهش توزیع نرمال چندمتغیره هم می‌گن)، در واقع بسط همون توزیع نرمال تک‌متغیره به ابعاد بالاتره. این توزیع با ویژگی‌های زیر مشخص می‌شه:

• متغیرهای همبسته چندگانه: این توزیع، توزیع توأم دو یا چند متغیر تصادفی با توزیع نرمال رو توصیف می‌کنه که ممکنه با هم همبستگی داشته باشن.
• خطوط تراز بیضوی: در دو بُعد، خطوط تراز چگالی احتمالِ این توزیع، بیضی‌هایی رو تشکیل می‌دن. در ابعاد بالاتر، این‌ها به بیضی‌گون تبدیل می‌شن.
• تعریف‌شده توسط بردار میانگین و ماتریس کوواریانس: این توزیع به جای یک میانگین و واریانس تکی، از یک بردار میانگین و یک ماتریس کوواریانس برای ثبت روابط بین متغیرها استفاده می‌کنه.

توزیع گاوسی چندمتغیره به طور گسترده‌ای در الگوریتم‌های یادگیری ماشین (مثل مدل‌های مخلوط گاوسی) برای وظایف خوشه‌بندی و تخمین چگالی استفاده می‌شه. این توزیع همچنین خیلی وقت‌ها در مدل‌سازی مالی به کار می‌ره تا به درک و پیش‌بینی رفتار توأم بازده چند دارایی کمک کنه.

نتیجه‌گیری

توزیع‌های گاوسی نقش محوری و مهمی در تحلیل آماری و علم داده بازی می‌کنن. کاربرد گسترده و ویژگی‌های کاملاً شناخته‌شده، اون‌ها رو به ابزاری ضروری و جدانشدنی در زمینه‌های مختلف، از کنترل کیفیت در تولید گرفته تا ارزیابی ریسک در امور مالی تبدیل می‌کنه.

با این حال، خیلی مهمه که یادت باشه با وجود استفاده گسترده از توزیع گاوسی، این توزیع یک راه‌حل همه‌کاره و جهانی برای همه مسائل نیست. تشخیص اینکه کِی باید از توزیع‌های جایگزین (مثل توزیع t-Student's یا توزیع لگ‌نرمال) استفاده کنی، کلید افزایش دقت و قابلیت اطمینان تحلیل‌های توئه. با هم‌راستا کردن انتخاب توزیعِ مناسب با ویژگی‌های ذاتی داده‌هات، می‌تونی از استنتاج‌های معتبرتر و تصمیم‌گیری‌های بهتر کاملاً مطمئن بشی.

برای کسانی که دنبال عمیق‌تر کردن درک خودشون از احتمال و کاربردهاش در علم داده هستن، دوره مبانی احتمال در پایتون ما در فینکا، یک نگاه جامع به این مفاهیم می‌ندازه. اگر هم با زبان R راحت‌تری، دوره مقدمه‌ای بر آمار در R پایه محکمی در مفاهیم آماری با استفاده از زبان برنامه‌نویسی R برات می‌سازه.