Datadistribusjonen

Datadistribusjonen er hvordan verdier i et datasett fordeler seg. Den beskriver sannsynligheten for ulike verdier og kan representeres ved sannsynlighetsfordeling, fordelingsfunksjon (CDF) og grafisk ved histogram, kumulativt diagram og KDE.

Sentrale begreper inkluderer sentralmål (middelverdi, median), spredning (standardavvik, varians) samt form som skjevhet og kurtose. En datas distribusjon kan være kontinuerlig eller diskret og finnes ofte i univariat form, men flere variabler kan ha en felles multivariat fordeling.

Typiske fordelingsmodeller er normalfordeling, uniform fordeling, eksponensiell, binomial og Poisson. Empiriske fordelinger kan beskrives uten antagelse om en kjent modell ved hjelp av histogram eller KDE.

Analyse av datadistribusjonen innebærer estimering av parametre fra data, vurdering av godhet av tilpasning og valg av passende statistiske tester. Grafiske verktøy som histogrammer, boksplott, QQ-plott og KDE er vanlige måter å visualisere fordelingen på.

Betydningen av datadistribusjonen er omfattende: den påvirker statistisk inferens, modellvalg og dataforbehandling i maskinlæring. Mange metoder antar spesifikke fordelingsformer (for eksempel normalfordelte data). Derfor kan transformasjoner, som log-transformasjon eller Box-Cox, og standardisering hjelpe til med å oppnå ønskede egenskaper i dataene.