Variabile casuale normale (o di Gauss)
Funzione di densità La linea in rosso si riferisce alla variabile casuale normale standardizzata
Funzione di ripartizione I colori corrispondono a quelli delle densità della figura precedente
Parametri	${\displaystyle \mu ~\in ~\mathbb {R} }$, ${\displaystyle \sigma ^{2}~\in ~(0,\infty )}$
Supporto	${\displaystyle \mathbb {R} }$
Funzione di densità	${\displaystyle {\frac {1}{\sqrt {2\pi \sigma ^{2}}}}\exp \left\{-{\frac {1}{2}}\left({\frac {x-\mu }{\sigma }}\right)^{2}\right\}}$
Funzione di ripartizione	${\displaystyle {\frac {1}{2}}\left(1+\mathrm {erf} \,{\frac {x-\mu }{\sigma {\sqrt {2}}}}\right)}$
Valore atteso	${\displaystyle \mu }$
Mediana	${\displaystyle \mu }$
Moda	${\displaystyle \mu }$
Varianza	${\displaystyle \sigma ^{2}}$
Indice di asimmetria	${\displaystyle 0}$
Curtosi	${\displaystyle 0}$
Entropia	${\displaystyle \ln \left(\sigma {\sqrt {2\,\pi \,e}}\right)}$
Funzione generatrice dei momenti	${\displaystyle {M_{X}(t)=\exp \left(\mu \,t+{\frac {\sigma ^{2}t^{2}}{2}}\right)}}$
Funzione caratteristica	${\displaystyle \varphi _{X}(t)=\exp \left(\mu \,i\,t-{\frac {\sigma ^{2}t^{2}}{2}}\right)}$
Manuale

La distribuzione normale (o distribuzione di Gauss dal nome del matematico tedesco Carl Friedrich Gauss, o distribuzione a Campana di Gauss), nella teoria della probabilità, è una distribuzione di probabilità continua che è spesso usata come prima approssimazione per descrivere variabili casuali a valori reali che tendono a concentrarsi attorno a un singolo valor medio.

Il grafico della funzione di densità di probabilità associata è simmetrico e ha una forma a campana, nota come "curva a campana", "curva normale", "curva gaussiana"^[1] o "curva degli errori".^[2]

La distribuzione normale è considerata il caso base delle distribuzioni di probabilità continue a causa del suo ruolo nel teorema del limite centrale. Un insieme di valori dato potrebbe essere normale: per stabilirlo si può usare un test di normalità. Più specificamente, assumendo certe condizioni, la somma di ${\displaystyle n}$ variabili casuali con media e varianza finite tende a una distribuzione normale al tendere di ${\displaystyle n}$ all'infinito. Grazie a questo teorema, la distribuzione normale si incontra spesso nelle applicazioni pratiche, venendo usata in statistica e nelle scienze naturali e sociali^[3] come un semplice modello per fenomeni complessi.

La distribuzione normale dipende da due parametri, la media ${\displaystyle \mu }$ e la varianza ${\displaystyle \sigma ^{2}}$, ed è indicata tradizionalmente con:

${\displaystyle \ N(\mu ;\sigma ^{2}).}$^[4]

La distribuzione normale è caratterizzata dalla seguente funzione di densità di probabilità, cui spesso si fa riferimento con la dizione curva di Gauss o gaussiana:

${\displaystyle f(x)={\frac {1}{\sqrt {2\pi \sigma ^{2}}}}\;e^{-{\frac {\left(x-\mu \right)^{2}}{2\sigma ^{2}}}}~{\mbox{ con }}~x\in \mathbb {R} ,}$

dove ${\displaystyle \mu }$ è il valore atteso e ${\displaystyle \sigma ^{2}}$ la varianza.

Per dimostrare che ${\displaystyle p_{X}(x)}$ è effettivamente una funzione di densità di probabilità si ricorre innanzi tutto alla standardizzazione (statistica) della variabile casuale, cioè alla trasformazione tale per cui risulta:

${\displaystyle Z={\frac {x-\mu }{\sigma }},}$

dove la variabile risultante ${\displaystyle -\infty <Z<+\infty }$ ha anch'essa distribuzione normale con parametri ${\displaystyle \mu =0}$ e ${\displaystyle \sigma =1}$. L'integrale della funzione di densità di probabilità della variabile casuale standardizzata ${\displaystyle Z}$ è il seguente:

${\displaystyle S=\int _{-\infty }^{+\infty }p_{Z}(z)dz=\int _{-\infty }^{+\infty }{\frac {1}{\sqrt {2\pi }}}e^{-{\frac {z^{2}}{2}}}dz.}$

Dato che deve necessariamente valere la condizione ${\displaystyle S=1}$, allora risulta anche ${\displaystyle S^{2}=1}$, quindi:

${\displaystyle S^{2}=\int _{-\infty }^{+\infty }p_{Z}(z)dz\int _{-\infty }^{+\infty }p_{Y}(y)dy,}$

${\displaystyle S^{2}={\frac {1}{2\pi }}\int _{-\infty }^{+\infty }\int _{-\infty }^{+\infty }e^{-{\frac {z^{2}+y^{2}}{2}}}dzdy,}$

dove anche la variabile casuale ${\displaystyle Y}$ ha distribuzione normale standardizzata. Per risolvere questo integrale doppio si ricorre alle coordinate polari ${\displaystyle z=\rho \cos \theta }$ e ${\displaystyle y=\rho \sin \theta }$, dove ${\displaystyle \rho \geq 0}$ e ${\displaystyle 0\leq \theta \leq 2\pi }$. La matrice jacobiana della trasformazione è

${\displaystyle J(\rho ,\theta )=\left[{\begin{array}{cc}{\frac {\partial z}{\partial \rho }}&{\frac {\partial z}{\partial \theta }}\\\\{\frac {\partial y}{\partial \rho }}&{\frac {\partial y}{\partial \theta }}\end{array}}\right]=\left[{\begin{array}{cc}\cos \theta &-\rho \sin \theta \\\sin \theta &\rho \cos \theta \end{array}}\right],}$

il cui determinante è uguale a ${\displaystyle |J(\rho ,\theta )|=\rho (\cos ^{2}\theta +\sin ^{2}\theta )=\rho }$. Sostituendo nell'integrale di cui sopra si ottiene:

${\displaystyle S^{2}={\frac {1}{2\pi }}\int _{0}^{+\infty }\int _{0}^{2\pi }e^{-{\frac {\rho ^{2}(\cos ^{2}\theta +\sin ^{2}\theta )}{2}}}|J(\rho ,\theta )|d\theta d\rho =\int _{0}^{+\infty }e^{-{\frac {\rho ^{2}}{2}}}\rho \ d\rho =1.}$

La sua funzione generatrice dei momenti è

${\displaystyle g(x)=e^{\mu x+\sigma ^{2}{\frac {x^{2}}{2}}}.}$

Il valore atteso e la varianza (che sono gli unici due parametri di questa variabile casuale) sono appunto ${\displaystyle \mu }$ e ${\displaystyle \sigma ^{2}}$.

Non essendo possibile esprimere l'integrale della ${\displaystyle p_{X}(x)}$ in forma chiusa mediante funzioni elementari, è necessario rendere disponibili in forma tabellare i valori della sua funzione di ripartizione. I più usati sono:

${\displaystyle 68,3\%=P\left\{\mu -1,00\sigma <X<\mu +1,00\sigma \right\};}$

${\displaystyle 95,0\%=P\left\{\mu -1,96\sigma <X<\mu +1,96\sigma \right\};}$

${\displaystyle 95,5\%=P\left\{\mu -2,00\sigma <X<\mu +2,00\sigma \right\};}$

${\displaystyle 99,0\%=P\left\{\mu -2,58\sigma <X<\mu +2,58\sigma \right\};}$

${\displaystyle 99,7\%=P\left\{\mu -3,00\sigma <X<\mu +3,00\sigma \right\}.}$

Essendo ${\displaystyle p_{X}(x)}$ una funzione simmetrica, è sufficiente conoscere la funzione di ripartizione dei valori positivi per conoscere pure quella dei valori negativi (e viceversa).

Dalla variabile casuale Normale si possono ottenere altre variabili casuali, come la t di Student, la Chi Quadrato e la F di Fisher-Snedecor, nonché le loro "varianti" non centrali (t non centrale, chi quadrato non centrale e F non centrale).

Se

${\displaystyle X_{1},\,X_{2},\,\cdots ,X_{n}}$ sono ${\displaystyle n}$ variabili casuali Normali tra di loro indipendenti, ciascuna con valore atteso ${\displaystyle \mu _{i}}$ e varianza ${\displaystyle \sigma _{i}^{2}}$,

allora

la variabile casuale ${\displaystyle Y=\alpha _{1}X_{1}+\alpha _{2}X_{2}+\cdots +\alpha _{n}X_{n}}$ è a sua volta una variabile casuale Normale con valore atteso ${\displaystyle \mu =\alpha _{1}\mu _{1}+\alpha _{2}\mu _{2}+\cdots +\alpha _{n}\mu _{n}}$ e varianza ${\displaystyle \sigma ^{2}=\alpha _{1}^{2}\sigma _{1}^{2}+\alpha _{2}^{2}\sigma _{2}^{2}+\cdots +\alpha _{n}^{2}\sigma _{n}^{2}}$.

Altri teoremi: teorema di Cochran.

I teoremi del limite centrale sono una famiglia di teoremi che hanno in comune l'affermazione che la somma (normalizzata) di un grande numero di variabili casuali è distribuita approssimativamente come una variabile casuale normale.

Se ${\displaystyle X}$ è distribuita come una variabile casuale binomiale con ${\displaystyle n}$ molto grande (per dare un'idea di quanto grande, possiamo dire che deve essere ${\displaystyle n>30}$), e approssimativamente ${\displaystyle np>10}$, allora la binomiale può essere approssimata con una Normale con valore atteso ${\displaystyle np}$ e varianza ${\displaystyle npq:N(np;npq)}$.

Se ${\displaystyle X}$ è distribuita come una variabile casuale poissoniana con il parametro ${\displaystyle \lambda }$ molto grande (orientativamente ${\displaystyle \lambda >10}$), allora la Poissoniana può essere approssimata con una Normale con valore atteso e varianza pari a ${\displaystyle \lambda :N(\lambda ;\lambda )}$.

Date ${\displaystyle n}$ distribuzioni normali ${\displaystyle Z_{1}(0;1);\,Z_{2}(0;1);\,\cdots \,Z_{n}(0;1)}$ con media nulla e varianza unitaria indipendenti tra loro. Allora

${\displaystyle \chi _{n}^{2}=Z_{1}^{2}+Z_{2}^{2}+\cdots +Z_{n}^{2}}$

è una variabile casuale chi quadro con ${\displaystyle n}$ gradi di libertà.

Siano ${\displaystyle Z_{1},Z_{2},\cdots ,Z_{n}}$ variabili casuali indipendenti distribuite come una Normale con media nulla e varianza unitaria, e siano inoltre ${\displaystyle a_{1},a_{2},\cdots ,a_{n}}$ delle costanti tali che

${\displaystyle \lambda =\sum {a_{i}^{2}},}$

allora si indica con ${\displaystyle \chi '^{2}}$ la variabile casuale chi quadro non centrale con ${\displaystyle n}$ gradi di libertà costruita come

${\displaystyle \chi '^{2}=\sum (Z_{i}+a_{i})^{2}.}$

Se ${\displaystyle Z\sim N(0;1)}$ e ${\displaystyle X\sim \chi _{n}^{2}}$ tra loro indipendenti, allora ${\displaystyle T=Z/{\sqrt {X/n}}}$ è distribuita come una t di Student con ${\displaystyle n}$ gradi di libertà.

Se ${\displaystyle X_{1},X_{2},\dots ,X_{n}{\text{ i.i.d.}}\sim {\mathcal {N}}(\mu ,\sigma ^{2})}$ e ${\displaystyle \displaystyle {\bar {X}}={\frac {\sum _{i=1}^{n}X_{i}}{n}}}$ è la v.c. media campionaria, mentre ${\displaystyle {\hat {\sigma }}^{2}={\frac {\sum _{i=1}^{n}(X_{i}-{\bar {X}})^{2}}{n}}}$ è la v.c. varianza campionaria non corretta, allora ${\displaystyle {\bar {X}}\sim {\mathcal {N}}\left(\mu ,{\frac {\sigma ^{2}}{n}}\right)}$ e ${\displaystyle {\frac {n{\hat {\sigma }}^{2}}{\sigma ^{2}}}\sim \chi ^{2}(n-1)}$, inoltre ${\displaystyle {\bar {X}}}$ e ${\displaystyle {\hat {\sigma }}^{2}}$ sono indipendenti.

Se ${\displaystyle Z\sim N(0;1)}$ e ${\displaystyle T=\beta \left({\tfrac {\alpha Z}{2}}+{\sqrt {{\tfrac {(\alpha Z)^{2}}{4}}+1}}\right)^{2}}$, allora ${\displaystyle T}$ è una v.c. di Birnbaum-Saunders con i parametri ${\displaystyle \alpha }$ e ${\displaystyle \beta }$.

Nell'ambito dell'inferenza bayesiana si trova la seguente relazione tra la normale e la distribuzione Gamma.

Se ${\displaystyle x}$ è una distribuzione normale con parametri ${\displaystyle \mu }$ e ${\displaystyle 1/\theta }$

${\displaystyle f(x|\theta )=N(x|\mu ;1/\theta )}$

e il parametro ${\displaystyle \theta }$ ha una distribuzione ${\displaystyle \Gamma }$ con i parametri ${\displaystyle a}$ e ${\displaystyle b}$

${\displaystyle g(\theta )=\Gamma (\theta |a;b),}$

allora il parametro ${\displaystyle \theta }$ è distribuito a posteriori anch'esso come una variabile casuale Gamma, ma con parametri ${\displaystyle a+{\frac {1}{2}}}$ e ${\displaystyle b+{\frac {(\mu -x)^{2}}{2}}}$:

${\displaystyle g(\theta |x)=\Gamma (\theta |a+1/2;b+(\mu -x)^{2}/2).}$

Se ${\displaystyle X}$ è distribuita come una v.c. normale con parametri ${\displaystyle m}$ e ${\displaystyle \sigma ^{2}}$

${\displaystyle f(x|m)=N(x|m;1/r^{2})}$

e il parametro ${\displaystyle m}$ è distribuito a priori come una v.c. normale con i parametri ${\displaystyle \mu }$ e ${\displaystyle \sigma ^{2}}$

${\displaystyle g(m)=N(m|\mu ;\sigma ^{2}),}$

allora il parametro ${\displaystyle m}$ è distribuito a posteriori anch'esso come una v.c. Normale, ma con parametri:

${\displaystyle (\sigma ^{2}\mu +r^{2}x)/(\sigma ^{2}+r^{2})}$ e ${\displaystyle (\sigma ^{2}r^{2})/(\sigma ^{2}+r^{2})}$

${\displaystyle g(m|x)=N(m|(\sigma ^{2}\mu +r^{2}x)/(\sigma ^{2}+r^{2});(\sigma ^{2}r^{2})/(\sigma ^{2}+r^{2})).}$

Abraham de Moivre, nell'ambito dei suoi studi sulla probabilità, introdusse per la prima volta la distribuzione normale in un articolo del 1733. Gauss, che a quel tempo non era ancora nato, ne fu invece un grande utilizzatore: egli propose la "distribuzione normale" studiando il moto dei corpi celesti^[5]. Altri la usavano per descrivere fenomeni anche molto diversi come i colpi di sfortuna nel gioco d'azzardo o la distribuzione dei tiri attorno ai bersagli. Da qui i nomi "curva di Gauss" e "curva degli errori".

Nel 1809 il matematico americano Adrain pubblicò due derivazioni della legge normale di probabilità, simultaneamente e indipendentemente da Gauss^[6] I suoi lavori rimasero ampiamente ignorati dalla comunità scientifica fino al 1871, allorché furono "riscoperti" da Cleveland Abbe.^[7].

Nel 1835 Quételet pubblicò uno scritto nel quale, fra le altre cose, c'erano i dati riguardanti la misura del torace di soldati scozzesi e la statura dei militari di leva francesi. Quételet mostrò come tali dati si distribuivano come una "Gaussiana", ma non andò oltre.

Fu Galton a intuire che la curva in questione, da lui detta anche "ogiva", poteva essere applicata a fenomeni anche molto diversi, e non solo ad "errori". Questa idea di curva per descrivere i "dati" in generale portò ad usare il termine "Normale", in quanto rappresentava un substrato "normale" ovvero la "norma" per qualsiasi distribuzione presente in natura.

Nel tentativo di confrontare curve diverse, Galton - in mancanza di strumenti adeguati - si limitò ad usare due soli parametri: la media e la varianza, dando così inizio alla statistica parametrica.

• Sheldon Ross, Probabilità e statistica per l'ingegneria e le scienze, Apogeo, 2003, ISBN 9788873038979.
• Stephen M. Stigler, Mathematical Statistics in the Early States, in The Annals of Statistics, vol. 6, n. 2, 1º marzo 1978, pp. 239–265, DOI:10.1214/aos/1176344123.

• Carl Friedrich Gauss
• Curva di Hubbert
• Distribuzione normale inversa
• Distribuzione normale multivariata
• Funzione gaussiana
• Integrale di Gauss
• Regola 68-95-99,7
• Statistica parametrica
• Teoria delle probabilità
• Teorema di Cochran

• Wikimedia Commons contiene immagini o altri file sulla distribuzione normale

• (EN) normal distribution, su Enciclopedia Britannica, Encyclopædia Britannica, Inc.
• (EN) Eric W. Weisstein, Distribuzione normale, su MathWorld, Wolfram Research.
• (EN) Thermopedia, "Gaussian Distribution"

V · D · M Probabilità
Teoria della probabilità	Evento · Spazio campionario · Indipendenza stocastica · Probabilità condizionata · Teorema di Bayes · Disuguaglianza di Čebyšëv · Disuguaglianza di Markov
Variabili casuali	Misura di probabilità · Funzione di densità di probabilità · Funzione di ripartizione · Funzione caratteristica · Funzione generatrice dei momenti · Convergenza di variabili casuali
Distribuzioni di probabilità univariate	Distribuzioni discrete Uniforme discreta · Binomiale (Bernoulliana) · Degenere · Ipergeometrica · Di Pascal · Geometrica · Poissoniana Distribuzioni continue Uniforme continua · Normale · Esponenziale · Beta · Gamma · t di Student · di Cauchy · Chi Quadrato
Distribuzioni di probabilità multivariate	Multinomiale · Normale multivariata · Wishart · Dirichlet
Processi stocastici	Matrice stocastica · Processo markoviano · Passeggiata aleatoria · Martingala · Moto browniano · Integrale di Itō · Equazione differenziale stocastica
Discipline connesse	Combinatoria · Statistica

Portale Matematica: accedi alle voci di Teknopedia che trattano di matematica