Quelle a été la première dérivation de la distribution normale, pouvez-vous reproduire cette dérivation et également l' expliquer dans son contexte historique ?
Je veux dire, si l'humanité oublie la distribution normale, quelle est la façon la plus probable de la redécouvrir et quelle serait la dérivation la plus probable? Je suppose que les premières dérivations doivent provenir d'un sous-produit de la recherche de moyens rapides pour calculer les distributions de probabilité discrètes de base, telles que les binômes. Est-ce exact?
probability
distributions
normal-distribution
references
history
statslearner
la source
la source
Réponses:
Je suppose que les premières dérivations doivent provenir d'un sous-produit de la recherche de moyens rapides pour calculer les distributions de probabilité discrètes de base, telles que les binômes. Est-ce exact?
Oui.
Source: DISTRIBUTION NORMALE
Autres sources avec contexte historique:
la source
Stahl ("L'évolution de la distribution normale", Mathematics Magazine , 2006) soutient que les premières traces historiques de la normale proviennent du jeu, des approximations des distributions binomiales (pour la démographie) et de l'analyse des erreurs en astronomie.
la source
La partie historique de la question a déjà reçu plusieurs réponses sur ce forum, par exemple voir la réponse acceptée à une question similaire. Non, il n'a pas été découvert comme une approximation de distributions discrètes. Je doute qu'il y ait même eu une notion de distribution de probabilité à l'époque. Il a été découvert par des gars qu'on appelle des physiciens ou des mathématiciens de nos jours, je suppose des philosophes de la nature à l'époque.
Comment une autre civilisation découvrirait-elle la distribution normale est une question intéressante. Quiconque étudie les erreurs et les perturbations de toute nature l'aurait trouvé. Cela s'est produit pour que notre civilisation le trouve en étudiant les corps célestes. Je doute qu'il soit probable que d'autres humains développeraient des statistiques avant la physique ou les mathématiques.
la source
Je me suis aussi posé cette question et cette vidéo youtube est la meilleure réponse que j'ai trouvée
https://www.youtube.com/watch?v=cTyPuZ9-JZ0
Je ne pense pas que ce soit la dérivation d'origine, mais la description de la vidéo dit "Cet argument est adapté du travail de l'astronome John Herschel en 1850 et du physicien James Clerk Maxwell en 1860".
la source
La particularité de la distribution normale est la théorie de la limite centrale. Pour les détails et la dérivation / preuve, voir: https://en.wikipedia.org/wiki/Central_limit_theorem
la source
Il est difficile d'analyser cette question. Qui est le "je" dans cette question? Et quelle est l'heure en question? Une réponse presque triviale consiste à trouver une famille de lieux / échelles∝ exp( - x2) . Le PO demande ensuite "Si l'humanité oublie la distribution normale, de quelle manière serait-elle redécouverte"? C'est une question tout à fait différente. Je pense qu'une réponse pertinente ici est celle qui 1) emprunte la perspective de la science moderne 2) fournit une réponse qui est différente de la réponse historique la plus fréquemment rencontrée, alias le Central Limit Theorym.
En mécanique quantique, en théorie de l'information et en thermodynamique, l'entropie quantifie l'état d'un système. Dans ces domaines, l'état quantique est en fait entièrement aléatoire ou stochastique. Comparez cela avec la mécanique classique. En mécanique classique, les états sont fixes mais notre observation est imparfaite en raison de l'apport de centaines ou de millions de facteurs d'influence non observés: ce type de résultat donne naissance au CLT.
En mécanique quantique, nous utilisons la probabilité bayésienne pour quantifier notre croyance sur l'état du système. Le long de ces lignes, des preuves ont été présentées, et ajustées, que la variable aléatoire gaussienne ou normale a une entropie maximale parmi toutes les variables aléatoires à moyenne finie ou écart-type.
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
la source