Normal Distribution (Rozkład normalny) – często zakładany rozkład błędów.

Rozkład normalny jest jednym z najczęściej wykorzystywanych rozkładów prawdopodobieństwa w statystyce i uczeniu maszynowym. Charakteryzuje się symetrycznym, dzwonowatym kształtem, który opisuje zachowanie zmiennej losowej wokół jej wartości oczekiwanej, zwanej średnią. Jego kształt i rozrzut są determinowane przez dwa parametry: średnią (μ) oraz odchylenie standardowe (σ). W kontekście modelowania błędów, rozkład ten jest często zakładany ze względu na właściwości, które wynikają z centralnego twierdzenia granicznego, sugerującego, że suma dużej liczby niezależnych i identycznie rozłożonych zmiennych losowych dąży do rozkładu normalnego.

W dziedzinie sztucznej inteligencji oraz uczenia maszynowego rozkład normalny bywa stosowany przede wszystkim jako model rozkładu szumu lub błędów pomiarowych. Zakładanie błędów o rozkładzie normalnym upraszcza analizy i pozwala na wykorzystanie wielu narzędzi statystycznych, takich jak estymacja parametrów czy testy hipotez. Ponadto, rozkład ten jest podstawą dla algorytmów opartych na modelach probabilistycznych, w tym regresji liniowej, analizy wariancji czy modeli bayesowskich.

Jego powszechne zastosowanie wynika również z dobrze poznanych właściwości matematycznych, które umożliwiają efektywne obliczenia i interpretacje wyników. Jednak w praktyce, gdy faktyczny rozkład błędów znacząco odbiega od normalnego, konieczne jest zastosowanie alternatywnych modeli lub transformacji danych, aby zapewnić trafność i skuteczność stosowanych metod uczenia oraz wnioskowania statystycznego.