Normal dağılım sayfasının kaynağını görüntüle

{{Olasılık teorisi}}
{{Olasılık dağılımı|
  isim       =Normal|
  tip       =yoğunluk|
  pdf_image  =[[Dosya:Normal distribution pdf.svg|325px|Normal dağılım için olasılık yoğunluk fonksiyonu]]<br /><small>Standard normal dağılım yeşil çizgi ile gösterilir</small>|
  cdf_image  =[[Dosya:Normal distribution cdf.svg|325px|Normal dağılım için birikimli dağılım fonksiyonu]]<br /><small>Renkler yukarıdaki gösterim ile aynıdır</small>|
  parametreler =<math>\mu</math> [[konum parametresi|konum]] ([[reel sayi|reel]])<br /><math>\sigma^2>0</math> kare [[ölçek parametresi|ölçek]] (reel)|
  destek    =<math>x \in\mathbb{R}\!</math>|
  OYF        =<math>\frac1{\sigma\sqrt{2\pi}}\; \exp\left(-\frac{\left(x-\mu\right)^2}{2\sigma^2} \right) \!</math>|
  YDF        =<math>\frac12 \left(1+\mathrm{erf}\,\frac{x-\mu}{\sigma\sqrt2}\right) \!</math>|
  ortalama       =<math>\mu</math>|
  medyan     =<math>\mu</math>|
  mod       =<math>\mu</math>|
  varyans   =<math>\sigma^2</math>|
  çarpıklık   =0|
  basıklık    =0<!-- Bu basit basıklık degildir ve basit basıklık degeri olan 3.0 ile değiştirilmemelidir. Bu basıklık FAZLASIdır -->|
  entropi    =<math>\ln\left(\sigma\sqrt{2\,\pi\,e}\right)\!</math>|
  mf        =<math>M_X(t)= \exp\left(\mu\,t+\frac{\sigma^2 t^2}{2}\right)</math>|
  kf       =<math>\chi_X(t)=\exp\left(\mu\,i\,t-\frac{\sigma^2 t^2}{2}\right)</math>|
}}
'''Normal dağılım''', aynı zamanda '''Gauss dağılımı''' veya '''Gauss tipi dağılım''' olarak isimlendirilen, birçok alanda pratik uygulaması olan, çok önemli bir [[sürekli olasılık dağılımları|sürekli olasılık dağılım]] ailesidir.

Bu dağılım ailesinin her bir üyesi sadece iki parametreyle tam olarak tanımlanabilir: Bunlar ''konum'' gösteren [[ortalama]] (''μ'', aritmetik ortalama) ve ''ölçek'' gösteren [[varyans]] (''σ''<sup>2</sup>, "yayılım")dır.

[[Standart normal dağılım]], [[ortalama]] değeri 0 ve [[varyans]] değeri 1 olan normal dağılım ailesinin tek bir elemanıdır. [[Carl Friedrich Gauss]] bu dağılımlar grubu ile, astronomik verileri analiz etmekte iken, ilgilenmiş ve bu dağılım için olasılık yoğunluk fonksiyonunu ilk defa tanımlamıştır.<ref>H. Gavil, 2003</ref> Bu [[olasılık yoğunluk fonksiyonu|olasılık fonksiyonunun]] grafiği, bir [[çan]]a benzediği için çoğu kez '''çan eğrisi''' olarak da anılmaktadır.

[[Doğa bilimleri|Doğa]] ve [[davranış bilimleri]] içinde bulunan birçok fenomenin niceliksel modeli yapılmasında normal dağılımın kullanılmasına neden [[merkezsel limit teoremi]]nin uygulanmasından doğmaktadır. Birçok [[psikoloji]]k ölçümler ve [[fizik]]sel fenomen normal dağılım kullanılarak çok iyi yaklaşık olarak açıklanmaktadır. Bu fenomenlerin altında yatan mekanizmalar çoğu zaman bilinmemekte fakat normal dağılım modelinin açıklamada uygulanmaktadır. Bunun pratik yaklaşımın teorik olarak savunması ise her bir reel gözlemin oluşması için geri planda çok sayıda birbirinden bağımsız etkilerin ayrı ayrı toplam olarak katkıda bulundukları varsayımıdır.

Normal dağılım [[istatistik]] biliminin birçok alanında kullanılmaktadır. Örneğin [[örneklem ortalaması]] için [[örnek dağılımı]], örneğin kaynağı olan anakütle için dağılımın normal olmadığı gayet açık olsa bile, yaklaşık olarak normal dağılım göstermektedir. Bunun yanında, değerleri bilinen ortalaması ve varyansı olan bütün dağılımlar içinde [[enformasyon entropisi]]ni maksimum yapan dağılımın normal olduğu ispat edilmiştir. Böylece örnek ortalaması ve varyansı ile özetlenen her veri için bilinmeyen kaynak dağılımı olarak normal dağılımı kullanmak gayet doğal bir yaklaşım olması çok uygun bir davranıştır. İstatistikte kullanılan dağılımlar aileleri arasında normal dağılım pratikte en çok kullanılanıdır ve birçok istatistiksel test, normal dağılımın varolduğu varsayımına dayanılarak geliştirilmiştir ve kullanılmaktadır. [[Olasılık kuramı]] içinde birkaç [[sürekli olasılık dağılımları]] ve [[ayrık olasılık dağılımları]]nın limite giden dağılımları yani [[rassal değişkenlerin yakınsama analizi]]nde kullanılmaktadır.
 
== Tarihçe ==
İstatistik ve olasılığın önemli dağılımlarından biri olan normal dağılım, ilk olarak 1733'te [[Abraham de Moivre]] tarafından yayınlanan bir yazıda ilk ortaya çıkartılmıştır ve 1738'de yayınlanan [[The Doctrine of Chances (Şanslar Doktrini)]] adlı kitabının ikinci baskısında p değişmemek koşuluyla n değerinin artısıyla [[binom dağılımı]]nın limit şekli yaklaşım olarak gösterilmiştir. De Moivre'in bu sonucu [[Pierre Simon de Laplace|Laplace]] tarafından 1812'de bastırılan ''[[Analytical Theory of Probabilities|Analytical Theory of Probabilities (Olasılıklar İçin Analitik Teori)]]'' geliştirilmiştir ve bu sonuç şimdi [[de Moivre-Laplace teoremi]] olarak isimlendirilmektedir.

Laplace normal dağılımı incelemekte olduğu deneylemelerde [[hataların analizi]] konusunda uygulamıştır. 1805'te [[Adrien Marie Legendre|Legendre]] çok önemli olan [[en küçük kareler yöntemi]]ni ortaya atmıştır. [[Carl Friedrich Gauss|Gauss]], bu yöntemi1794'ten beri kullandığını iddia etmiştir ama en kesin surette hataların normal dağılımı varsayımı ile birlikte yayınladığı eser 1809'dadır.

''Çan eğrisi'' teriminin ilk kullanılışı [[Jouffret]] tarafından 1875'te bir bağımsız parçalardan oluşan [[çokdeğişirli normal dağılım|ikideğişirli normal]] hakkında yazıda ''çan yüzeyi'' teriminin kullanmasına kadar götürülebilir. ''Normal dağılım'' sözcüğü ise[[Charles S. Peirce]], [[Francis Galton]] ve [[Wilhelm Lexis]] tarafından ayrı ayrı 1875 civarlarında ortaya atılmıştır.

Bu dağılıma normal adı vermek bazen hatalı görülmektedir; çünkü bazı hallerde diğer dağılımlar pratiğe çok daha uygunluk göstermektedirler.

== Karakteristikler ==
Bir [[olasılık dağılımı]]nı çeşitli şekilde matematiksel ifadelerle karakterize etmek mümkündür. Bunlar arasında göze en iyi hitap edeni [[olasılık yoğunluk fonksiyonu]] ile olur. Dağılımın özellikleri ayrıca [[birikimli dağılım fonksiyonu]],[[momentler]], [[kümülant]]lar, [[karakteristik fonksiyon]], [[moment üreten fonksiyon]], [[kümülant üreten fonksiyon]] ve [[Maxwell'in teoremi]] vasıtasıyla da belirtilebilir. Bu kavramların ayrıntıları için [[olasılık dağılımları]] maddesine bakınız.

Matematiksel notasyon kullanılması ile, ''X'' rassal değeri için ortalama değeri ''μ'' ve varyansı ''σ''² ≥ 0, olan bir normal dağılımın bulunduğu şöyle ifade edilir:

:<math>X \sim N(\mu, \sigma^2).\,\!</math>

Normal dağılım için fazla kullanılmayan bir değişik parametreleme şekli de bulunmaktadır. Bu (bir üssü varyans yani 1/ ''σ''²), değerine eşit olan [[kesinlik]] parametresi ''τ'' kullanılarak yapılır. Bunun avantajı sıfır değerine çok yakın varyans (''σ''²)  değerlerinin böler olmalarından doğan limit problemlerinden ayrılma imkânı sağlaması ve normal dağılımı bir [[üstel ailesi]] bireyi olarak kullanılması gerektiği halde ortaya çıkar.

Bazı merkezsel limit teoremleri için (örneğin [[kestirimlerin asimtotik normalliği]]) [[Gauss tipi süreç]]ler teorisi kullanışlı olmakla beraber, tüm olasılığı ''μ'' etrafında konsantre eden  ve bir normal dağılıma benzer olarak ortalama ''μ'' ve varyans ''σ''² = 0 değerleri bulunan [[Dirac ölçümü]] bir normal dağılım olarak kabul edilmemektedir; buna matematiksel açıklama bu ölçümde [[Lebesque ölçümü]] kurallarına göre gereken yoğunluğun bulunmamasıdır.

=== Olasılık yoğunluk fonksiyonu ===
[[Dosya:Normal distribution pdf.svg|325px|sağ|Normal dağılım için olasılık yoğunluk fonksiyonu]]

'''Normal dağılım''' için sürekli [[olasılık yoğunluk fonksiyonu]] şu [[Gauss-tipi fonksiyon]]dur:

: <math>\varphi_{\mu,\sigma^2}(x) = \frac{1}{\sigma\sqrt{2\pi}} \,e^{ -\frac{(x- \mu)^2}{2\sigma^2}} = \frac{1}{\sigma} \varphi\left(\frac{x - \mu}{\sigma}\right),\quad x\in\mathbb{R},</math>

Burada ''σ'' > 0  [[standart sapma]]dır; bir reel parametre olan ''μ'' [[beklenen değer]]dir; ve

: <math>\varphi(x)=\varphi_{0,1}(x)=\frac{1}{\sqrt{2\pi\,}} \, e^{-\frac{x^2}{2}},\quad x\in\mathbb{R},</math>

ifadesi '''standart normal dağılım''' için yoğunluk fonksiyonudur. Standart normal dağılım ''μ'' = 0 ve ''σ'' = 1 parametreleri olan bir normal dağılımdır.
 
:<math>\varphi_{\mu,\sigma^2}</math>
ifadesinin [[reel doğru]] üzerindeki [[integral]] değeridir. (Ayrıntıları için [[Gauss-tipi entegral]] maddesine bakınız.)

<!--- Bölenin 2ye eşit bir üs bulunan bir Gauss tipi fonksiyon olarak, standart normal yoğunluk fonksiyonu
<math>\scriptstyle\varphi</math> [[Fourier donüşümü]]nun  [[eigen-fonksiyonu]]dur.--->

Olasılık yoğunluk fonksiyonunun özellikleri arasında şunlar başta gelenlerdir:
* ortalama değer ''μ'' etrafında simetrik olma;
* hem [[mod]]un  hem de [[medyan]]ın ortalama ''μ'' değerine eşit olması;
* yoğunluk eğrisinin üzerindeki, ortalamadan birer standart sapma altında ve üstündeki noktalar arasında (yani ''μ'' - ''σ'' ve ''μ''+''σ'' noktalarında) bir [[''enfleksyon'' nokta]]sı bulunması.

=== Birikimli dağılım fonksiyonu ===
[[Dosya:Normal distribution cdf.svg|325px|sağ|Normal dağılım için birikimli dağılım fonksiyonu]]

Bir [[olasılık dağılımı]] için [[birikimli dağılım fonksiyonu]], bir rassal değişken X için olay olasılığının dağılımının ''x'' sayısına eşit veya daha düşük olmasına kadar değerlendirilmesinden ortaya çıkar. Normal dağılım için birikimli dağılım fonksiyonu (yoğunluk fonksiyonunda kullanılan ayn terimlerle) şöyle ifade edilir:

: <math> \begin{align}
\Phi_{\mu,\sigma^2}(x)
&{}=\int_{-\infty}^x\varphi_{\mu,\sigma^2}(u)\,du\\
&{}=\frac{1}{\sigma\sqrt{2\pi}}
\int_{-\infty}^x
 \exp
  \Bigl( -\frac{(u - \mu)^2}{2\sigma^2}
\ \Bigr)\, du \\
&{}= \Phi\Bigl(\frac{x-\mu}{\sigma}\Bigr),\quad x\in\mathbb{R},
\end{align}
</math>

Burada, parametreleri ''μ'' = 0 ve ''σ'' = 1 olan standart normal dağılımı için birikimli dağılım fonksiyonu, Φ ile ifade edilmiştir ve bu fonksiyon şudur:

:<math>
\Phi(x) = \Phi_{0,1}(x)
= \frac{1}{\sqrt{2\pi}}
\int_{-\infty}^x
\exp\Bigl(-\frac{u^2}{2}\Bigr)
\, du, \quad x\in\mathbb{R}.
</math>

Standart normal birikimli dağılım fonksiyonu aynı zamanda [[hata fonksiyonu]] adı verilen bir [[özel fonksiyon]] ifade edilebilir. [[Hata fonksiyonu]] şöyle ifade edilir:

:<math>
\Phi(x)
=\frac{1}{2} \Bigl[ 1 + \operatorname{erf} \Bigl( \frac{x}{\sqrt{2}} \Bigr) \Bigr],
\quad x\in\mathbb{R},
</math>

Böylece [[hata fonksiyonu]] terimleri ile standart normal dağılımı için birikimli dağılım fonksiyonu şöyle yazılır:

:<math>
\Phi_{\mu,\sigma^2}(x)
=\frac{1}{2} \Bigl[ 1 + \operatorname{erf} \Bigl( \frac{x-\mu}{\sigma\sqrt{2}} \Bigr) \Bigr],
\quad x\in\mathbb{R}.
</math>

Standart normal dağılım için birikimli dağılım fonksiyonunun tamlayıcı fonksiyonu (yani <math>Q(x) = 1 - \Phi(x)</math>), çok kere ''Q-fonksiyonu'' olarak isimlendirilir ve özellikle bu kavram mühendislik kitaplarında büyük önemle yer almaktadır.

Standart normal birikimli dağılım fonksiyonunun tersine [[kuantil fonksiyonu]] adı verilir. Bunun formülünü ifade için önce şu ters hata fonksiyonu bulunur:

:<math>
\Phi^{-1}(p)
= \sqrt2
\;\operatorname{erf}^{-1} (2p - 1),
\quad p\in(0,1),
</math>

ve bu fonksiyon kullanılarak şu ters birikimli dağılım fonksiyonu ortaya çıkartılır:

:<math>
\Phi_{\mu,\sigma^2}^{-1}(p)
= \mu + \sigma\Phi^{-1}(p)
= \mu + \sigma\sqrt2
\; \operatorname{erf}^{-1}(2p - 1),
\quad p\in(0,1).
</math>

Bu ''kuantil fonksiyonu''na bazen [[probit]] fonksiyonu adı da verilir. Bir probit fonksiyonu için bir elemanter [[basit entegral]]bulunamayacağı matematiksel olarak ispat edilmiştir. Normal dağılım için çok iyi sonuçlar verdiği anlaşılan yaklaşık fonksiyonlar ve yöntemler ortaya çıkarılmıştır. Bunlar arasında [[sayısal entegrasyon]], [[Taylor serileri]], [[asimtotik seriler]] ve[[devam eden kesirler]] yöntemlerinin kullanılması anılabilir.

==== Birikimli dağılım fonksiyonu için kesin alt ve üst sınırlar ====
Büyük değerde bir ''x'' sayısı için standart normal dağılım birikimli dağılım fonksiyonun <math>\scriptstyle\Phi(x)</math> değerinin bire,''1'', yakınsalandığı ve <math>\scriptstyle\Phi(-x)\,{=}\,1\,{-}\,\Phi(x)</math>ın ise sıfıra,''0'', yakınsaladığı aşikardır. Yoğunluk<math>\scriptstyle\varphi</math>  terimleri kullanılarak, şu basit üst sınır

:<math>
\frac{x}{1+x^2}\varphi(x)<1-\Phi(x)<\frac{\varphi(x)}{x}, \qquad x>0,
</math>

ifadesi yeterlidir.

''Yerine koymak'' suretiyle entegresyon yöntemi kullanarak, üst sınır şöyle ortaya çıkartılabilir:

:<math>
\begin{align}
1-\Phi(x)
&=\int_x^\infty\varphi(u)\,du\\
&<\int_x^\infty\frac ux\varphi(u)\,du
=\int_{x^2/2}^\infty\frac{e^{-v}}{x\sqrt{2\pi}}\,dv
=-\biggl.\frac{e^{-v}}{x\sqrt{2\pi}}\biggr|_{x^2/2}^\infty
=\frac{\varphi(x)}{x}.
\end{align}
</math>

Aynı şekilde <math>\scriptstyle\varphi'(u)\,{=}\,-u\,\varphi(u)</math>  ifadesini ve [[bölüm kuralını]] kullanarak

:<math>
\begin{align}
\Bigl(1+\frac1{x^2}\Bigr)(1-\Phi(x))
&=\int_x^\infty \Bigl(1+\frac1{x^2}\Bigr)\varphi(u)\,du\\
&>\int_x^\infty \Bigl(1+\frac1{u^2}\Bigr)\varphi(u)\,du
=-\biggl.\frac{\varphi(u)}u\biggr|_x^\infty
=\frac{\varphi(x)}x.
\end{align}
</math>

ifadesi ortaya çıkartılır. Bunun <math>\scriptstyle 1\,{-}\,\Phi(x)\,</math> terimleri ile çözümlenmesi yukarıda ifade edilen üst sınırı verir.

=== Üreten fonksiyonlar ===
==== Moment üreten fonksiyon ====
Genel olarak [[moment üreten fonksiyon]], exp(''tX'') için [[matematiksel beklenen değer|beklenen değer]] olarak tanımlanır. Bir normal dağılım için moment üreten fonksiyonu şu olur:

: <math>
\begin{align}
M_X(t) & {} = \mathrm{E} \left[ \exp{(tX)} \right] \\
& {} = \int_{-\infty}^{\infty}  \frac{1}{\sigma \sqrt{2\pi} }
\exp{\left( -\frac{(x - \mu)^2}{2 \sigma^2} \right)}
\exp{(tx)} \, dx \\
& {} = \exp{ \left(  \mu t + \frac{\sigma^2 t^2}{2} \right)}
\end{align}
</math>

Bu ifade, tanımda verilen üssel değerin, [[karesini tamamlamak]] yöntemi dönüştürülmesi ile elde edilmiştir.

==== Kümülant üreten fonksiyon ====
[[Kümülant üreten fonksiyon]], moment üreten fonksiyonun logaritmasidir: 
:''g''(''t'') = μ''t'' + σ²''t''²/2.  
Bu ''t'' terimleri ile bir kuadratik polinom olduğu için yalnız ilk iki kümülant için sıfır olmayan değer bulunabilinir.

==== Karakteristik fonksiyon ====
[[Karakteristik fonksiyon]], <math>i</math> [[sanal birim]] ile gösterilen <math>\exp (i t X)</math> ifadesinin [[matematiksel beklenen değer|beklenen değersi]] olarak tanımlanmıştır. Bu nedenle karakteristik fonksiyon, moment üreten fonksiyon içindeki <math>t</math> teriminin<math>it</math> ile değiştirilmesi ile elde edilir.

Bir normal dağılımı için karakteristik fonksiyonu şudur:

:  <math>\begin{align}
\chi_X(t;\mu,\sigma) &{} = M_X(i t) = \mathrm{E}
\left[ \exp(i t X) \right] \\
&{}=
\int_{-\infty}^{\infty}
 \frac{1}{\sigma \sqrt{2\pi}}
 \exp
 \left(- \frac{(x - \mu)^2}{2\sigma^2}
 \right)
 \exp(i t x)
\, dx \\
&{}=
\exp
\left(
 i \mu t - \frac{\sigma^2 t^2}{2}
\right).
\end{align}
</math>

== Özellikleri ==
Normal dağılımın şu özellikleri vardır:

# Eğer <math>X \sim N(\mu, \sigma^2)</math> ve <math>a</math> ile <math>b</math> [[reel sayı]]lar ise, o zaman <math>a X + b \sim N(a \mu + b, (a \sigma)^2)</math> ([[matematiksel beklenen değer|Beklenen değer]] ve [[varyans]] maddelerine bakınız.).
# Eğer <math>X \sim N(\mu_X, \sigma^2_X)</math> ve <math>Y \sim N(\mu_Y, \sigma^2_Y)</math> ifadeleri [[istatistiksel bağımsızlık|bağımsız]] normal [[rassal değişken]]ler ise, o halde -
#* Bunların toplamı <math>U = X + Y \sim N(\mu_X + \mu_Y, \sigma^2_X + \sigma^2_Y)</math> normal dağılım gösterir ([[normal dağılımlı rassal değişkenlerin toplamı|proof]]). Daha ilgi çekici olarak bunun tersi de geçerlidir: Eğer iki bağımsız rassal değişkenlerin toplamı normal dağılım gösteriyorsa, her iki değişken de ayrı ayrı normal dağılım gösterirler. Bu [[Cramer'in teoremi]] olarak isimlendirilmiştir.
#* Bunların arasındaki fark şu şekilde normal dağılım gösterir: Yani <math>V = X - Y \sim N(\mu_X - \mu_Y, \sigma^2_X + \sigma^2_Y)</math>.
#* Eğer ''X'' ve ''Y'' rassal değişkenlerinin varyansları birbirine eşitse, ''U'' (toplam için rassal değişken) ve ''V'' (fark için rassal değişken) birbirinden bağımsızdırlar.
#* [[Kullback-Leibler ayrımı]] şöyle ifade edilir 
#*: <math>D_{\rm KL}( X \| Y ) = { 1 \over 2 } \left( \log \left( { \sigma^2_Y \over \sigma^2_X } \right) + \frac{\sigma^2_X}{\sigma^2_Y} + \frac{\left(\mu_Y - \mu_X\right)^2}{\sigma^2_Y} - 1\right).
</math>
# Eğer <math>X \sim N(0, \sigma^2_X)</math> ve <math>Y \sim N(0, \sigma^2_Y)</math> birbirinden bağımsız normal rassal değişkenler ise; o zaman
#* Bunların çarpımı, yani <math>X Y</math>, <math>p</math> ile şöyle ifade edilen yoğunluk fonksiyonu olan özel bir dağılım gösterir
#*: <math>p(z) = \frac{1}{\pi\,\sigma_X\,\sigma_Y} \; K_0\left(\frac{|z|}{\sigma_X\,\sigma_Y}\right),</math> burada <math>K_0</math>bir[[değiştirilmiş ikinci derecede Bessel fonksiyonu]]dur.
#* Bunların birbirine oranı  <math>X/Y \sim \mathrm{Cauchy}(0, \sigma_X/\sigma_Y)</math> şekilde [[Cauchy dağılımı]] gösterir. Böylece bu Cauchy dağılımı özel bir tip [[orantı dağılımı]] olur.
# Eğer <math>X_1, \dots, X_n</math> bir seri bağımsız standart normal değişkenler ise, o zaman bunların toplamı, yani <math>X_1^2 + \cdots + X_n^2</math> ''n'' serbestlik dereceli bir [[ki-kare dağılımı]] gösterir.

=== Normal rassal değişkenlerin standart forma dönüşümleri ===
Yukarıda verilen 1. özellik sonucu olarak tüm normal rassal değişkenleri standart normale dönüştürmek imkânı vardır: 
Eğer <math>X</math> ~ <math>N(\mu, \sigma^2)</math> ise, bu halde

:<math>Z = \frac{X - \mu}{\sigma} \!</math>

bir standart normal rassal değişken olur; yani <math>Z</math> ~ <math>N(0,1)</math>.

Bunun bir önemli sonucu birikimli olasılık fonksiyonun bir genel normal dağılımı olmasıdır:

:<math>\Pr(X \le x)
=
\Phi
\left(
 \frac{x-\mu}{\sigma}
\right)
=
\frac{1}{2}
\left(
 1 + \operatorname{erf}
 \left(
  \frac{x-\mu}{\sigma\sqrt{2}}
 \right)
\right)
.
</math>

Tersini ele alırsak, eğer <math>Z</math> bir standart normal dağılım ise, yani <math>Z</math> ~ <math>N(0,1)</math> ise o halde

:<math>X = \sigma Z + \mu</math>

ifadesi de beklenen değeri <math>\mu</math> ve varyansı <math>\sigma^2</math> olan bir normal rassal değişkendir.

Standart normal dağılım için çeşitli tablolar bulunmaktadır. Çok kere bu tablolar birikimli dağılım fonksiyonu, Φ şeklindedirler. Diğer normal dağılımlar basit bir dönüşüm ile standart normal dağılıma dönüştürülüp bu tablolardan biri kullanılabilir.

=== Momentler ===
Normal dağılım için ilk birkaç [[momentler]]i şunlardır:

{| class="wikitable"
|- bgcolor="#CCCCCC"
! Sayı !! Ham moment !! Merkezsel moment !! Kümülant
|-
| 0 || 1 || 1 ||
|-
| 1 || <math>\mu</math> || 0 || <math>\mu</math>
|-
| 2 || <math>\mu^2 + \sigma^2</math> || <math>\sigma^2</math> || <math>\sigma^2</math>
|-
| 3 || <math>\mu^3 + 3\mu\sigma^2</math> || 0 || 0
|-
| 4 || <math>\mu^4 + 6 \mu^2 \sigma^2 + 3 \sigma^4</math> || <math>3 \sigma^4</math> || 0
|-
| 5 || <math>\mu^5 + 10 \mu^3 \sigma^2 + 15 \mu \sigma^4</math> || 0 || 0
|-
| 6 || <math>\mu^6 + 15 \mu^4 \sigma^2 + 45 \mu^2 \sigma^4 + 15 \sigma^6 </math> || <math> 15 \sigma^6 </math> || 0
|-
| 7 || <math>\mu^7 + 21 \mu^5 \sigma^2 + 105 \mu^3 \sigma^4 + 105 \mu \sigma^6 </math> || 0 || 0
|-
| 8 || <math>\mu^8 + 28 \mu^6 \sigma^2 + 210 \mu^4 \sigma^4 + 420 \mu^2 \sigma^6 + 105 \sigma^8 </math> || <math> 105 \sigma^8 </math> ||0
|}

Normal dağılım için ilk iki [[kümülant]] dışındaki kümülant değerler hep sıfıra eşittir.

Daha büyük sayıya bağlı (<math>2k</math> derecede ve <math> \mu=0</math>)  [[merkezsel moment]]i şu formül kullanılarak elde edilebilir:

<math> E\left[x^{2k}\right]=\frac{(2k)!}{2^k k!} \sigma^{2k}. </math>

=== Normal rassal değişirler için üretici değerler ===
Bilgisayarla simulasyon yapılmakta iken, çok kere bir normal dağılım için değerlerin üretilmesi gerekir. Bunun için birkaç değişik yöntem kullanılabilir. En basit şekilde bir standart normal dağılım birikimli olasılık fonksiyonunun tersini almak suretiyle elde edilir. Daha etkin yöntemler de geliştirilmiştir.

Çok popüler olarak kullanılan yöntem [[Box-Muller dönüşümü]]dür. Box-Muller algoritması kullanılması, [0,1] arasında bulunan [[tekdüze dağılım (sürekli)|sürekli tekdüze dağılım]] gösteren iki sayı ''a'' ve ''b'' ile başlar; bunlardan şu formüllere göre iki standart normal dağılım gösteren ''c'' ve ''d'' sayıları şöyle elde edilir:

:<math>c = \sqrt{- 2 \ln a} \cdot \cos(2 \pi b) </math>

:<math>d = \sqrt{- 2 \ln a} \cdot \sin(2 \pi b) </math>

Bunların elde edilmesi, dönüşümün bazında (yukarıda 4. özellikte gösterilen) 2 serbestlik derecesi olan bir ki-kare dağılımının kolayca üretilebilinen bir üstel rassal değişken olması gerçeğine dayandırılır.

Halen en etkin şekilde normal dağılımı simulasyonu için, [[ziggurat algoritması]] kullanılmaktadır.

=== Merkezi limit teoremi ===
{{Ana|Merkezi limit teoremi}}

[[Dosya:Normal approximation to binomial.svg|upright=1.48|küçükresim|''n''=48 ve ''p''=1/4 parametreleri olan bir binom dağılımının olasılık kütle fonksiyonun yaklaşımı olarak μ = 12 ve σ = 3 parametreli bir normal dağılımın olasılık yoğunluk fonksiyonunun gösterinimi.]]

Sonlu varyansları olan [[bağımsız ve aynı dağılımlı]] rassal değişkenler ve benzeri koşullar altında, büyük sayıda rassal değişkenlerin toplamı yaklaşık olarak normal dağılım gösterir. Bu '''merkezsel limit teoremi'''dir.

Merkezsel limit teoreminin pratik önemi normal birikimli dağılım fonksiyonunun bazı diğer birikimli dağılım fonksiyonunun yaklaşık olarak kullanabilmesindedir. Örneğin

* Parametreleri ''n'' ve ''p'' olan bir [[binom dağılım]] için, eğer büyük değerlerde, ama 0 veya 1e çok yakın olmayan ''n'' ve''p'' bulunursa bir normal dağılımına yaklaşmış oldukları kabul edilebilir. (Bazı istatistik kitapları bu yaklaşımın ''np'' ve ''n''(1 -''p'' değerlerinin her ikisi için en aşağı 5 olması halinde uygulanmasını ve eğer 5 olurlarsa bir [[devamlılık doğrulaması]] kullanılmasını tavsiye ederler.) <br /> Eğer yaklaşık olarak normal dağılımı kullanılırsa bunun parametreleri μ = ''np'' ve σ<sup>2</sup> = ''np''(1-''p'') olarak bulunması gerekir.
* Eğer λ'nin değeri büyük ise, λ parametreli [[Poisson dağılımı]] için yaklaşık olarak normal dağılım kullanılabilir ve bu halde yaklaşık normal dağılımın parametreleri μ = σ<sup>2</sup> = λ olarak bulunur.

Bu yaklaşımların yeter derecede doğru olup olmayacağı, sonuçların ne maksatlarla kullanacaklarına ve normal dağılımın yakınsalama oranına bağlıdır. Bu tip yaklaşımlar dağılımın kuyruk değerlerine yaklaştıkça gittikçe daha çok hatalı olacaklardır. [[Berry-Essen teoremi]] birikimli dağılım fonksiyonu için yaklaşım hatası için genel üst sınırları gösterir.

=== Sonsuz olarak bölünebilme ===
Normal dağılımlar [[sonsuz olarak bölünebilen]] olasılık dağılımlarıdır: Bir ortalama değeri ''μ'', bir varyans değeri ''σ''<sup>2</sup>≥ 0 ve bir doğal sayı değeri ''n'' verildiği zaman, ''n'' bağımsız rassal değişkenlerin toplamı olan 'X''<sub>1</sub> + . . . +''X<sub>n</sub>' şu normal dağılımı gösterir:

:<math>X_1,X_2,\dots,X_n \sim N(\mu/n, \sigma^2\!/n)\,</math>ç
(Daha fazla ayrıntı için [[matematik tümevarım]] ile [[normal dağılım gösteren rassal değişkenlerin toplamı]] maddelerine bakınız.)

=== Dengelilik ===
Normal dağılımlar kesinlikle [[dengelilik (olasılık)|dengelilik]] gösteren olasılık dağılımlarıdır.

=== Standart sapma ve güven aralıkları (açıklıkları) ===
[[Dosya:Standard deviation diagram.svg|upright=1.48|küçükresim|Koyu mavi ortalamadan bir standart sapma daha küçüktür. Bir normal dağılım için bu (koyu mavi) eğrinin altında kalan alan, toplam alanın %68'ini kapsar. Ortalamadan iki standart sapma aralığında noktalar için eğrinin altında kalan alan (açık, orta ve koyu mavi alan) toplam alanın %99,7sini kapsar.]]

Bir normal dağılımdan seçilmiş değerlerin %68i ortalama olan μ'in bir standart sapma σ > 0
uzaklığındaki noktalar arasındadır; değerlerin neredeyse %95i μ'den iki standart sapma uzaklıklar aralığında; ve %99,7 üç standart sapma uzaklıklar aralığında bulunur. Buna [[empirik kural]] veya [[68-95-99.7 kuralı]] adı da verilir.

Daha doğru bir kesin ifadeyle  μ - ''n''σ ve μ + ''n''σ arasındaki çan eğrisinin altında kalan alanın birikimli normal dağılım fonksiyonu şöyle verilir:

:<math>\begin{align}&\Phi_{\mu,\sigma^2}(\mu+n\sigma)-\Phi_{\mu,\sigma^2}(\mu-n\sigma)\\
&=\Phi(n)-\Phi(-n)=2\Phi(n)-1=\mathrm{erf}\bigl(n/\sqrt{2}\,\bigr),\end{align}</math>

Burada erf [[hata fonsiyonu]]dur. Ondalık sayılarla 12 basamak kullanılarak 1-, 2- .. 6- sigma noktalarına kadar değerler şöyle verilir:

{| class="wikitable" style="text-align:center"
|- bgcolor="#CCCCCC"
! <math>n\,</math> !! <math>\mathrm{erf}\bigl(n/\sqrt{2}\,\bigr)\,</math>
|-
|1 || 0.682689492137
|-
|2 || 0.954499736104
|-
|3 || 0.997300203937
|-
|4 || 0.999936657516
|-
|5 || 0.999999426697
|-
|6 || 0.999999998027
|}

İkinci tablo çan eğrisinin altındaki alan için değerlerin bulunmasını sağlamak üzere, çok zaman kullanılan katsayı değerlerindeki, sigma çarpanlarının ters ilişkisini gösterir. Normal dağılım gösteren veya asimtotda normal olan kestirimler için belirtilmiş olan seviyelerde (asimtotik) [[güvenlik aralığı]]nı saptamak için bu değerler çok kullanışlıdır:

{| class="wikitable" style="text-align:center"
|- bgcolor="#CCCCCC"
! <math>\mathrm{erf}\bigl(n/\sqrt{2}\,\bigr)</math> !!<math>n\,</math> 
|-
|0.80 || 1.28155
|-
|0.90 || 1.64485
|-
|0.95 || 1.95996
|-
|0.98 || 2.32635
|-
|0.99 || 2.57583
|-
|0.995 || 2.80703
|-
|0.998 || 3.09023
|-
|0.999 || 3.29052
|}

Bu tabloda sol taraftaki sütun bilinen bir aralığa düşecek değerlerin oranı verilmekte ve soldaki n sütunu ise aralığın genişliğinin kaç tane standart sapma birimini ihtiva ettiğini göstermektedir.

=== Üstel ailesi şekli ===
Normal dağılım bir iki parametreli [[üstel ailesi]] elemanıdır. İki tane doğal parametresi μ ve 1/σ<sup>2</sup> olur ve doğal istatistikleri ''X'' ve ''X''<sup>2</sup> dir. Kanonik şeklinin parametreleri <math>{\mu \over \sigma^2}</math> ve <math>{1 \over \sigma^2}</math> olup yeterli istatistikleri <math>\sum  x </math> ve <math>-{1 \over 2} \sum  x^2 </math> olur.

== İlişkili dağılımlar ==
* Eğer <math>R = \sqrt{X^2 + Y^2}</math> ise ve burada <math>X \sim N(0, \sigma^2)</math> ave<math>Y \sim N(0, \sigma^2)</math> iki bağımsız normal dağılımlarsa, o halde <math>R \sim \mathrm{Rayleigh}(\sigma^2)</math> bir  [[Rayleigh dağılımı]] olur.
* Eğer <math>Y = \sum_{k=1}^{\nu} X_k^2</math> ise ve burada <math>k=1,\dots,\nu</math> için <math>X_k \sim N(0,1)</math> ise ve bunların hepsi bağımsızlarsa; o zaman <math>Y \sim \chi_{\nu}^2</math> [[serbestlik derecesi]] <math>\nu</math> olan bir [[ki-kare dağılımı]]olur. 
* Eğer iki [[bağımsız]] normal dağılımlı <math>X_1 \sim N(0,1)</math> ve <math>X_2 \sim N(0,1)</math> 
için <math>Y = X_1/X_2</math> ise, o zaman <math>Y \sim \mathrm{Cauchy}(\mu = 0, \theta = 1)</math> bir [[Cauchy dağılımı]]dır. 
* Eğer <math>Y = e^X</math> ve <math>X \sim N(\mu, \sigma^2)</math> ise, o zaman<math>Y \sim \mbox{Log-N}(\mu, \sigma^2)</math>bir[[log-normal dağılımı]]dır. 
* [[Lévy çarpık alpha-durağan dağılımı]]na ilişki : Eğer <math>X\sim \textrm{Levy-S}\alpha\textrm{S}(2,\beta,\sigma/\sqrt{2},\mu)</math>ise o halde <math>X \sim N(\mu,\sigma^2)</math>.
* [[Kesilmiş normal dağılımı]]. Eğer <math>X \sim N(\mu, \sigma^2),\!</math> o halde ''X''i alttan <math>A</math>'da ve üstten<math>B</math>'de kesmek suretiyle, ortalaması <math>E(X)=\mu + \frac{\sigma(\varphi_1-\varphi_2)}{T},\!</math>  olan bir rassal değişken ortaya çıkarılır.
Burada <math>T=\Phi\left(\frac{B-\mu}{\sigma}\right)-\Phi\left(\frac{A-\mu}{\sigma}\right), \; \varphi_1 = \varphi\left(\frac{A-\mu}{\sigma}\right), \; \varphi_2 = \varphi\left(\frac{B-\mu}{\sigma}\right)</math> olur ve <math>\varphi</math> bir standart normal rassal değişken için bir [[olasılık yoğunluk fonksiyonu]] olur.
* Eğer <math>X</math> normal dağılım gösteren bir rassal değişken ise ve <math>Y=|X|</math> ise, o halde <math>Y</math> bir [[katlanmış normal dağılım]] gösterir.

== Betimsel ve çıkarımsal istatistikler ==
=== Puanlar ===
Puan verme çeşitlerinin çoğu normal dağılıma bağlı olarak ortaya çıkarılmıştır. Değişik puanlama   yöntemleri arasında [[yüzbirliklerle sıralamalar]], [[normal eğri eşitliklikleri]], [[stanin]]ler, [[standart puan|z puanı]] ve T-puanlaması  vb. sayılabilir. Davranışsal bilimlerde kullanılan birçok istatistiksel yordamlar puanların normal dağılım gösterdiği varsayımına dayanılarak geliştirilmiştir. Örneğin çok kişiye uygulanan imtihan veya zeka testleri için bir çan eğrisine dayanan not verilip imtihan veya test sonuçlarının gruplanması veya sıralanması imtihan veya test notlarının normal dağılım gösterdiği varsayımına dayandırılır.

=== Normallik sınamaları ===
{{Ana|normallik sınamaları}}

Normallik sınamaları, verilmiş bir veri dizisinin normal dağılıma benzerliğinin incelenmesidir. Bu sınamalarda [[sıfır hipoztez]] veri dizisinin normal dağılıma benzer olmasıdır. Bu nedenle normal olmayan veri için yeter derecede küçük bir p-değeri (yani genellikle %0,05'ten  veya 0,01den küçük) ortaya çıkacak ve sıfır hipotez olan veri dizisinin normal dağılıma benzerliği hipotezinin ret edilmesine neden olacaktır.

* [[Kolmogorov-Smirnov sınaması]]
* [[Lilliefors sınaması]]
* [[Anderson-Darling sınaması]]
* [[Ryan-Joiner sınaması]]
* [[Shapiro-Wilk sınaması]]
* [[Normal olasılık gösterimi]] ([[rankit]] gösterimi)
* [[Jarque-Bera sınaması]]

=== Parametrelerin kestirimi ===
==== Parametrelerin maksimum olabilirlik kestirimi ====
Bir düşünce denemesi olarak, bir seri normal dağılım için

:<math>X_1,\dots,X_n</math>
[[Dosya:Standard Normal Distribution.png|alt=ss|küçükresim|upright=1.44|Gauss Eğrisi]]
ifadesinin her biri diğerinden bağımsız olduğu düşünülsün. Her bir ifade beklenen değersi ''μ'' ve varyansı ''σ''<sup>2</sup>>0 olan normal dağılımlar göstermektedir. İstatistikçiler bu ''n'' rassal değişkenin gözümlenen değerlerinin normal dağılım gösteren bir anakütleden ortaya çıkan bir  ''n'' büyüklüğünde bir örneklem olduğunu kabul etmektedirler. Bu örneklemden gözlenen değerlere dayanarak "anakütle ortalaması" ''μ'' ve "anakütle standart sapması" kestirimcilerini bulmak arzu edilmektedir. Bu ''n'' sayıdaki bağımsız rassal değişken için sürekli ortak olasılık yoğunluk fonksiyonu şöyle verilir: 
 
:<math>\begin{align}f(x_1,\dots,x_n;\mu,\sigma)
&= \prod_{i=1}^n \varphi_{\mu,\sigma^2}(x_i)\\
&=\frac1{(\sigma\sqrt{2\pi})^n}\prod_{i=1}^n \exp\biggl(-{1 \over 2} \Bigl({x_i-\mu \over \sigma}\Bigr)^2\biggr),
\quad(x_1,\ldots,x_n)\in\mathbb{R}^n.
\end{align}
</math>

''μ'' ve ''σ'' fonksiyonları olarak, ''X''<sub>1</sub>, ..., ''X''<sub>''n''</sub> gözlemlerine dayanan [[olabilirlik fonksiyonu]] şudur:

:<math>
L(\mu,\sigma) = \frac C{\sigma^n} \exp\left(-{\sum_{i=1}^n (X_i-\mu)^2 \over 2\sigma^2}\right),
\quad\mu\in\mathbb{R},\ \sigma>0,
</math>

Burada ''C''>0 herhangi bir sabittir. Bunun genellikle ''X''<sub>1</sub>,...,''X''<sub>''n''</sub> değişkenlerine bile dayanarak bağlandığı kabul edilmektedir; ama hesaplanan parametrelere göre log-olabilirlik fonksiyonların kısmî türevleri bulunduğu zaman sabit oldukları için elimine edilmektedirler.

[[Maksimum olabilirlik]] yöntemine göre olabilirlik fonksiyonu maksimize eden ''μ'' ve ''σ'' değerleri, teorik anakütle parametreleri olan ''μ'' ve ''σ'' için kestirim oldukları kabul edilmektedir. Genel olarak iki değişkenli bir fonksiyonun maksimum değerini hesaplanmaktayken [[kısmî türevler]] kullanılır. Ancak burada maksimum hesaplama daha kolaylaşmaktadır çünkü olabilirlik fonksiyonunu maksimize eden ''μ'' değeri bulunmakta iken ''σ'' anakütle parametresi olan ''σ''ya bağımlı olmayan bir sabittir. Bundan dolayı ilk olarak''μ'' değeri bulunur; bu değer olabilirlik fonksiyonundaki ''μ'' değişkeni yerine konulur ve bu yeni tek değişkenli fonksiyonu maksimize eden ''σ'' değeri bulunur.

olabilirlik fonksiyonunun şu toplam ifadesinin bir azalan fonksiyonu olduğu bilinmektedir:

:<math>\sum_{i=1}^n (X_i-\mu)^2. \,\!</math>

Bu toplam ifadeyi ''minimize'' edecek ''μ'' değerini bulmak istenmektedir. Şu ifade

:<math>\overline{X}_n=(X_1+\cdots+X_n)/n</math>

''n'' gözleme dayanan bir "örneklem ortalaması''dır. Böylece

:<math>
\begin{align}
\sum_{i=1}^n (X_i-\mu)^2
&=\sum_{i=1}^n\bigl((X_i-\overline{X}_n)+(\overline{X}_n-\mu)\bigr)^2\\
&=\sum_{i=1}^n(X_i-\overline{X}_n)^2 + 2(\overline{X}_n-\mu)\underbrace{\sum_{i=1}^n (X_i-\overline{X}_n)}_{=\,0} + \sum_{i=1}^n (\overline{X}_n-\mu)^2\\
&=\sum_{i=1}^n(X_i-\overline{X}_n)^2 + n(\overline{X}_n-\mu)^2.
\end{align}
</math>

Bu ifadede so terim ''μ'' değişkenine bağlıdır ve bu terimin minimum değeri şöyle bulunur:

:<math>\widehat{\mu}_n=\overline{X}_n.</math>

İşte bu ifade ''n'' sayıda ''X''<sub>1</sub>,....,''X''<sub>''n''</sub> gözlem kullanarak ''μ''nun maksimum olabilirlik kestirimidir. Sonuç olarak
 
:<math>L(\overline{X}_n,\sigma) = \frac C{\sigma^n} \exp\biggl(-{\sum_{i=1}^n (X_i-\overline{X}_n)^2 \over 2\sigma^2}\biggr),
\quad\sigma>0.</math>

elde edilir. olabilirlik fonksiyonunun logaritmasi olan ''log-olabilirlik fonksiyonu'' matematik notasyona göre küçük harflerle (yani<math>\ell</math>, yazılması alışılagelmiştir.

:<math>\ell(\overline{X}_n,\sigma)=\log C-n\log\sigma-{\sum_{i=1}^n(X_i-\overline{X}_n)^2 \over 2\sigma^2},
\quad\sigma>0,</math>

Sonra

:<math>
\begin{align}
{\partial \over \partial\sigma}\ell(\overline{X}_n,\sigma)
&=-{n \over \sigma} +{\sum_{i=1}^n (X_i-\overline{X}_n)^2 \over \sigma^3}\\
&=-{n \over \sigma^3}\biggl(\sigma^2-{1 \over n}\sum_{i=1}^n (X_i-\overline{X}_n)^2 \biggr),
\quad\sigma>0.
\end{align}
</math>

olur. Bu türev, ''σ''<sup>2</sup> değeri 0 ile

:<math>\hat\sigma_n^2:={1 \over n}\sum_{i=1}^n(X_i-\overline{X}_n)^2,</math>

değeri arasında ise pozitif olur; bu değere eşitse türev sıfıra eşittir; bu değerden büyükse türev negatif olur.

Bu analizin sonucu olarak bu bulunan [[istatistiksel hata ve artıklar|artıklar]] ''n'' gözlemli örneklem için ''σ''<sup>2</sup>  bir maksimum olabilirlik kestirimidir ve bunun kare kökü ''σ'' için maksimum olabilirlik kestirimdir. Bu kestirim yani<math>\hat\sigma{}_n^2</math> bir [[yanlı]] kestirimdir. Alışılagelen yansız kestirim  ''n''/(''n'' - 1) çarpı bu kestirimdir. Ancak yanlı maksimum olabilirlik kestirimi için [[ortalama hata karesi]] yansız kestirimden daha küçüktür.

<!--=====Sasiltici bir genelleme=====-->
<!--
[[Coklu degisirli normal dagilim]]in [[kovarysans matrisi]] icin maksimum olabilirlik kestriminin ortaya cikartilmasi biraz daha karisiktir. [[Spectral teorem]]in kullanilmasini gerektirir. Buna neden bu matrisi yanliz bir skaler olarak gorecek yerde 1×1 dereceli bir matrisin [[trace]]i olarak gorurebilimesindendir. Bakin [[kovaryans matrislerin kestirimi]].
!-->

==== Parametrelerin yansız kestirimi ====
Bir örneklemden elde edilen anakütle ortalamasının maksimum olabilirlik kestirimcisi, anakütle ortalamasının [[yansız kestirimcisi]]olarak bilinir. Aynı şekilde anakütle ortalaması ''önsel olarak'' bilinirse, varyans için maksimum olabilirlik kestrimcisi de yansız kestirimcidir. Ancak eğer elimizde bir örneklem bulunuyorsa ama bu örneklemin geldiği anakütlenin ne ortalamasının ne de varyansının değerlerin bilmiyorsak, anakütle varyansının yansız kestrimicisi, <math>\sigma^2</math>, şöyle ifade edilir:

:<math>
S^2 = \frac{1}{n-1} \sum_{i=1}^n (X_i - \overline{X})^2.
</math>

Eğer tüm ''X''<sub>''i''</sub> birbirinden bağımsız ve aynı şekilde dağılım gösterirlerse, bu "örneklem varyansı" bir [[Gamma dağılımı]]gösterir:

:<math>
S^2 \sim \operatorname{Gamma}\left(\frac{n-1}{2},\frac{2 \sigma^2}{n-1}\right).
</math>

== Ayrıca bakınız ==
* [[Standart normal dağılım]]
* [[Veri dönüşümleri (istatistik)]] - Verileri normal dağılıma dönüştürmek için basit teknikler
* [[Erdős-Kac teoremi]], [[Sayı teorisi]] içinde normal dağılımın meydana çıkışı.
*<!-- **[[Brown-tipi köprü]]-->
** [[Iannis Xenakis]], [[Müzik]] için Gauss-tipi dağılımı.
* [[Ters Gauss-tipi dağılım]] 
* [[Log-normal dağılım]]
* [[Çokdeğişirli normal dağılım]]
* [[Matris normal dağılımı]]
* [[Normal dağılım gösterme ve korelasyon olmaması bağımsızlık ifade etmez.]](İki tane birbirinden bağımsız olmadan birbirleri ile korelasyon göstermeyen normal dağılımlı rassal değişken için örnek verilmiştir. Bu örnek [[çokludeğişirli normal dağılım]] için geçerli değildir.)  
* [[Student'in t dağılımı]]

== Kaynakça ==
{{Kaynakça}}

== Dış bağlantılar ==

=== Normal dağılım ===
* [http://mathworld.wolfram.com/NormalDistribution.html Mathworld: Normal dağılım] {{Webarşiv|url=https://web.archive.org/web/20080705103133/http://mathworld.wolfram.com/NormalDistribution.html |tarih=5 Temmuz 2008 }}
* [http://www.gnu.org/software/gsl/manual/html_node/Random-Number-Distributions.html GNU Bilimsel Kutuphane – Referans Elkitabı–Gauss-tipi dağılım] {{Webarşiv|url=https://web.archive.org/web/20080608144059/http://www.gnu.org/software/gsl/manual/html_node/Random-Number-Distributions.html |tarih=8 Haziran 2008 }}
* [http://planetmath.org/encyclopedia/NormalRandomVariable.html PlanetMath: Normal rassal değişken] {{Webarşiv|url=https://web.archive.org/web/20080516005742/http://planetmath.org/encyclopedia/NormalRandomVariable.html |tarih=16 Mayıs 2008 }}
* [https://web.archive.org/web/20080216044019/http://courses.ncssm.edu/math/TALKS/PDFS/normal.pdf Sezgi yoluyla normal dağılım türetme]
* [https://web.archive.org/web/20060210125807/http://www.visualstatistics.net/Statistics/Euler/Euler.htm Normal dağılım Karl Gauss tarafında mı bulunmuştur? Euler'in bulduğu gamma fonksiyonlari ailesi ve bunların istatistik tarihindeki yeri]
* [https://web.archive.org/web/20060405193854/http://www.visualstatistics.net/Statistics/Maxwell%20Demons/Maxwell%20Demons.htm Maxwell şeytanları: Propozisyonlu dgiskenler hesabi fonksiyonlari kullanarak olasilik dağılımlarının simulasyonu]

=== Yazılım sonuçları ve uygulamaları ===
* [https://www.ztable.net Normal dağılım tablosu] {{Webarşiv|url=https://web.archive.org/web/20201218151030/https://www.ztable.net/ |tarih=18 Aralık 2020 }}
* [https://web.archive.org/web/20110526034720/http://www.kolayhesaplama.com/istatistik/normal_dagilim.asp Kümülatif Normal dağılım hesaplama]
* [http://www.vias.org/simulations/simusoft_distcalc.html Dağılım hesaplayıcısı – Normal, ''[[Student'in t-dagilimi|t]]'', [[ki-kare dağılımı|ki-kare]] ve [[F-dağılımı|''F''-dağılımı]] için kritik değerler ve olasılık hesaplayıcısı]{{Webarşiv|url=https://web.archive.org/web/20070129113929/http://www.vias.org/simulations/simusoft_distcalc.html |tarih=29 Ocak 2007 }}
* [http://www-stat.stanford.edu/~naras/jsm/NormalDensity/NormalDensity.html Normal dağılımlar için Java Appleti] {{Webarşiv|url=https://web.archive.org/web/20080320061145/http://www-stat.stanford.edu/~naras/jsm/NormalDensity/NormalDensity.html |tarih=20 Mart 2008 }}
* [http://socr.stat.ucla.edu/htmls/SOCR_Distributions.html Etkilişimli (normal dağılım da dahil) dağılım modelcisi] {{Webarşiv|url=https://web.archive.org/web/20080216103741/http://socr.stat.ucla.edu/htmls/SOCR_Distributions.html |tarih=16 Şubat 2008 }}
* [https://web.archive.org/web/20080331230542/http://www.danielsoper.com/statcalc/calc02.aspx Normal eğrisi altındaki alan hesaplayıcısı - Daniel Soper'in ''Free Statistics Calculators'' websitesi]
* [http://www.measuringusability.com/normal_curve.php Etkileşimli Standart normal eğrisi gösterimi] {{Webarşiv|url=https://web.archive.org/web/20080222142542/http://www.measuringusability.com/normal_curve.php |tarih=22 Şubat 2008 }} Standart normal eğrinin tek kuyruk ve iki kuyruk alanı için çabuk göz önüne getirme yazılımı.
* [http://www.elektro-energetika.cz/calculations/no.php?language=tr Online hesap makinesi Normal dağılım] {{Webarşiv|url=https://web.archive.org/web/20140310144229/http://www.elektro-energetika.cz/calculations/no.php?language=tr |tarih=10 Mart 2014 }}

=== Algoritmalar ve yaklaşımlar ===
* [https://web.archive.org/web/20080121093713/http://sitmo.com/doc/Calculating_the_Cumulative_Normal_Distribution Calculating the Cumulative Normal distribution, C++, VBA], sitmo.com
* [https://web.archive.org/web/20070505093933/http://home.online.no/~pjacklam/notes/invnorm/ Normal birikimli dağılım fonksiyonunun tersini hesaplamak icin bir algoritma. ], Hazırlayan: Peter J. Acklam – Birkaç değişik [[yazılım diliyle]] örnekler var.
* [https://web.archive.org/web/20080216044019/http://www2.isye.gatech.edu/~christos/3044/inv_normal.pdf Ters Normal(0,1) dağılımına bir yaklaşım], gatech.edu
* [http://www.math.sfu.ca/~cbm/aands/page_932.htm Matematiksel Fonksiyonlar için Elkitabı': P(x) ve Z(x) icin Polinom ve Rasyonel Yaklaşımlar] {{Webarşiv|url=https://web.archive.org/web/20080417032204/http://www.math.sfu.ca/~cbm/aands/page_932.htm |tarih=17 Nisan 2008 }} - Abramowitz ve Stegun

{{Olasılık Dağılımları|Normal (Gauss tipi) dağılım }}
{{Otorite kontrolü}}
<!--- Kategori--->

[[Kategori:Normal dağılım| ]]
[[Kategori:Sürekli olasılık dağılımları]]