สารบัญ
15 ความสัมพันธ์: กฎ 68-95-99.7การค้นหาแบบสุ่มการแบ่งกลุ่มข้อมูลแบบเคมีนการแจกแจงความน่าจะเป็นการแจกแจงปรกติการแจกแจงปรกติหลายตัวแปรการเข้ารหัสทางประสาทการเคลื่อนที่แบบบราวน์มัธยฐานจุดผลิตน้ำมันสูงสุดคณิตศาสตร์การเงินค่าเบี่ยงเบนมาตรฐานตารางของสัญลักษณ์ทางคณิตศาสตร์ซิกส์ซิกมาNeuroticism
กฎ 68-95-99.7
วนที่เป็นสีฟ้าเข้มแสดงว่าเป็นข้อมูลที่มีค่าน้อยกว่าหรือมากกว่าค่าเฉลี่ยเลขคณิตเป็นจำนวนหนึ่งเท่าของส่วนเบี่ยงเบนมาตรฐาน ในการแจกแจงปกติ จำนวนข้อมูลนี้นับได้เป็น 68.27% ของจำนวนข้อมูลทั้งหมด สีฟ้าปานกลางแสดงถึงส่วนที่มากน้อยกว่าค่าเฉลี่ยเป็นจำนวนสองเท่าของส่วนเบี่ยงเบน เมื่อรวมสีฟ้าปานกลางกับสีฟ้าเข้มจะคิดเป็นพื้นที่ 95.45% ส่วนสีฟ้าอ่อนที่นับเป็นจำนวนสามเท่าของส่วนเบี่ยงเบน เมื่อรวมสีฟ้าทั้งหมดแล้ว จะได้จำนวนข้อมูลจำนวน 99.73% ของข้อมูลทั้งหมด กราฟแสดงจำนวนข้อมูลเป็นเปอร์เซนต์ตามแกน Y เทียบกับข้อมูลปกติที่กระจายตัวจากส่วนเบี่ยงเบนมาตรฐานตามแกน X (แกน Y ไม่เป็นตามอัตราส่วนปกติ) ในทางสถิติศาสตร์ กฎ 68-95.99.7 (68–95–99.7 rule) หรืออาจเรียกว่า กฎสามซิกมา (three-sigma rule), กฎเชิงประจักษ์ (empirical rule) หรือกฎ 95% (95% Rule) เป็นกฎที่แสดงให้เห็นว่าในการแจกแจงปรกติ ค่าของข้อมูลเกือบทั้งหมดจะอยู่น้อยกว่าหรือมากกว่าค่าเฉลี่ยเลขคณิตเป็นจำนวนสามเท่าของส่วนเบี่ยงเบนมาตรฐาน เป็นต้นว่า 68.27% ของข้อมูลทั้งหมดจะมีค่าน้อยกว่าหรือมากกว่าค่าเฉลี่ยเลขคณิตเป็นจำนวนหนึ่งเท่าของส่วนเบี่ยงเบนมาตรฐาน 95.45% มีค่าน้อยกว่าหรือมากกว่าสองเท่า และเกือบทุกค่าของข้อมูล (99.7%) มีค่าน้อยกว่าหรือมากกว่าสามเท่าของส่วนเบี่ยงเบนมาตรฐาน หากเขียนเป็นสัญลักษณ์ทางคณิตศาสตร์จะได้ดังนี้ เมื่อ x แทนค่าที่สังเกตจากตัวแปรสุ่มที่มีการแจกแจงปกติ μ เป็นค่าเฉลี่ยเลขคณิตของการแจกแจง และ σ คือส่วนเบี่ยงเบนมาตรฐานของข้อมูลดังกล่าว \end หมวดหมู่:การวิเคราะห์ข้อมูล หมวดหมู่:คณิตวิเคราะห์.
ดู การแจกแจงปรกติและกฎ 68-95-99.7
การค้นหาแบบสุ่ม
การค้นหาแบบสุ่ม (random search: RS) เป็นหนึ่งในวิธีการเชิงตัวเลข ที่ใช้เพิ่มประสิทธิภาพ (Optimization) ในการแก้ปัญหาประเภทค้นหา โดยที่ปัญหาที่จะเพิ่มประสิทธิภาพในการแก้ด้วยวิธีการค้นหาแบบสุ่มนี้ ไม่จำเป็นว่าจะต้องเป็น ปัญหาเชิงเส้น หรือ ปัญหาที่มีความต่อเนื่องของคำตอบ (Continuous function) หรือ ปัญหาที่ใช้อนุพันธ์หาคำตอบได้ (differentiable function) การค้นหาแบบสุ่ม นั้นถูกพิจารณาว่าเขียนโดย Rastrigin ซึ่งเขาเป็นคนนำเสนอวิธีของการค้นหาแบบสุ่มคนแรก ที่ใช้ทฤษฐีทางด้านคณิตศาสตร์เข้ามาช่วยในการวิเคราะห์ทฤษฏี การค้นหาแบบสุ่มนั้น ทำงานโดยการหาในตำแหน่งที่ดีขึ้นจากตำแหน่งเก่า ซ้ำๆ เรื่อยๆ ในปริภูมิค้นหา จากนั้นในปี 1991 คุณ Anatoly Zhigljavsky ก็ได้ทำการตีพิมพ์ออกเป็นหนังสือ ชื่อ Theory of Global Random Search และเขาได้ทำการเขียนเอกสารทางวิชาการออกมาอีกมากมาย ในเรื่องที่เกี่ยวกับการค้นหาแบบสุ่มนี้ ยกตัวอย่างเช่น.
ดู การแจกแจงปรกติและการค้นหาแบบสุ่ม
การแบ่งกลุ่มข้อมูลแบบเคมีน
การแบ่งกลุ่มข้อมูลแบบเคมีน (k-means clustering) เป็นวิธีหนึ่งในวิธีการแบ่งเวกเตอร์ ที่มีรากฐานมาจากการประมวลผลสัญญาณ วิธีนี้เป็นที่นิยมสำหรับการแบ่งกลุ่มข้อมูล (cluster analysis) ในการทำเหมืองข้อมูล (data mining) การแบ่งกลุ่มข้อมูลแบบเคมีนใช้สำหรับการแบ่งการสังเกตจำนวน n สิ่งเป็น k กลุ่ม โดยแต่ละการสังเกตจะอยู่ในกลุ่มที่มีค่าเฉลี่ย(ที่ใช้เป็นแม่แบบ)ใกล้เคียงกันที่สุด โดยวิธีนี้จะเป็นการแบ่งพื้นที่ข้อมูลไปเป็นแผนภาพโวโรนอย วิธีการจัดกลุ่มนี้อยู่ในกลุ่มความซับซ้อนของปัญหาเอ็นพีแบบยาก (NP-hard) แต่อย่างไรเราสามารถนำขั้นตอนวิธีแบบศึกษาสำนึก (heuristic algorithm) มาใช้หาจุดศูนย์กลางของกลุ่มข้อมูลจากการลู่เข้าได้อย่างมีประสิทธิภาพ ซึ่งจะเหมือนกับขั้นตอนวิธีหาค่าคาดหมายสูงสุด (expectation-maximization algorithm) สำหรับโมเดลแบบผสม (Mixture Model) ของการแจกแจงปรกติ (Gaussian distribution) เนื่องจากทั้งสองขั้นตอนวิธีจะใช้แนวทางกระทำซ้ำการกลั่นกรอง (iterative refinement approach) นอกจากนี้ ทั้งสองขั้นตอนวิธียังใช้จุดศูนย์กลางของคลัสเตอร์สร้างแบบจำลองข้อมูล อย่างไรก็ตาม การแบ่งกลุ่มข้อมูลแบบเคมีนมีแนวโน้มจะได้คลัสเตอร์ผลลัพธ์ที่มีตำแหน่งขอบเขตใกล้เคียงกัน ในขณะที่ขั้นตอนวิธีหาค่าคาดหมายสูงสุดนั้นยอมให้คลัสเตอร์ผลลัพธ์มีรูปร่างที่แตกต่างกันได้ ขั้นตอนวิธีนี้ไม่มีอะไรเกี่ยวข้องกับวิธีการค้นหาเพื่อนบ้านใกล้สุด (k-nearest neighbor) ซึ่งเป็นเทคนิคการเรียนรู้ของเครื่อง (machine learning) ที่เป็นที่นิยมอีกอย่างหนึ่ง.
ดู การแจกแจงปรกติและการแบ่งกลุ่มข้อมูลแบบเคมีน
การแจกแจงความน่าจะเป็น
ในความน่าจะเป็นและสถิติศาสตร์ การแจกแจงความน่าจะเป็นกำหนดความน่าจะเป็นให้เซตย่อยของผลลัพธ์การทดลองสุ่ม การสำรวจหรือวิธีอนุมานทางสถิติที่วัดได้ทั้งหมด ตัวอย่างการแจกแจงความน่าจะเป็นพบได้ในการทดลองที่ปริภูมิตัวอย่างไม่เป็นตัวเลข ซึ่งการแจกแจงจะเป็นการแจกแจงประเภท, การทดลองที่ปริภูมิตัวอย่างเข้ารหัสด้วยตัวแปรสุ่มวิยุต ซึ่งการแจกแจงสามารถระบุได้ด้วยฟังก์ชันมวลของความน่าจะเป็น, และการทดลองที่ปริภูมิตัวอย่างเข้ารหัสด้วยตัวแปรสุ่มต่อเนื่อง ซึ่งการแจกแจงสามารถเจาะจงได้ด้วยฟังก์ชันความหนาแน่นของความน่าจะเป็น การทดลองที่ซับซ้อนกว่า เช่น การทดลองที่เกี่ยวข้องกับกระบวนการสโทแคสติกที่นิยามในเวลาต่อเนื่อง อาจต้องใช้เมเชอร์ความน่าจะเป็นที่เจาะจงน้อยกว.
ดู การแจกแจงปรกติและการแจกแจงความน่าจะเป็น
การแจกแจงปรกติ
ำหรับทฤษฎีความน่าจะเป็น การแจกแจงปรกติ (normal distribution) เป็นการแจกแจงความน่าจะเป็นของค่าของตัวแปรสุ่มที่เป็นค่าแบบต่อเนื่อง โดยที่ค่าของตัวแปรสุ่มมีแนวโน้มที่จะมีค่าอยู่ใกล้ ๆ กับค่า ๆ หนึ่ง (เรียกว่าค่ามัชฌิม) กราฟแสดงค่าฟังก์ชันความหนาแน่น (probability density function) จะเป็นรูปคล้ายระฆังคว่ำ หรือเรียกว่า Gaussian function โดยค่าฟังก์ชันความหนาแน่นของการแจกแจงปรกติ ได้แก่ โดย "x" แทนตัวแปรสุ่ม พารามิเตอร์ μ แสดงค่ามัชฌิม และ σ 2 คือค่าความแปรปรวน (variance) ซึ่งเป็นค่าที่ใช้บอกปริมาณการกระจายของการแจกแจง การแจกแจงปรกติที่มีค่า และ จะถูกเรียกว่า การแจกแจงปรกติมาตรฐาน การแจกแจงปรกติเป็นการแจกแจงที่เด่นที่สุดในทางวิชาความน่าจะเป็นและสถิติศาสตร์ ซึ่งก็มาจากหลาย ๆ เหตุผล ซึ่งก็รวมถึงผลจากทฤษฎีบทขีดจํากัดกลาง (central limit theorem) ที่กล่าวว่า ภายใต้สภาพทั่ว ๆ ไปแล้ว ค่าเฉลี่ยจากการสุ่มค่าของตัวแปรสุ่มอิสระจากการแจกแจงใด ๆ (ที่มีค่าเฉลี่ยและค่าความแปรปรวนจำกัด) ถ้าจำนวนการสุ่มนั้นใหญ่พอ แล้วค่าเฉลี่ยนั้นจะมีการแจกแจงประมาณได้เป็นการแจกแจงปรกต.
ดู การแจกแจงปรกติและการแจกแจงปรกติ
การแจกแจงปรกติหลายตัวแปร
การแจกแจงแบบปรกติหลายตัวแปร (multivariate normal distribution) เป็นการขยายวางนัยทั่วไปจากการแจกแจงแบบปรกติ (ตัวแปรเดียว) ไปเป็นหลายมิติ(หลายตัวแปร) เวกเตอร์สุ่มที่มีการแจกแจงแบบปรกติหลายตัวแปร คือ ทุกๆผลรวมเชิงเส้น (linear combination) ของส่วนประกอบของเวกเตอร์มีการแจกแจงเป็นการแจกแจงแบบปรกติ การแจกแจงแบบปรกติหลายตัวแปร มักใช้อธิบาย เซตของตัวแปรสุ่มหลายๆตัวที่มีความสัมพันธ์กัน โดยที่แต่ค่าของตัวแปรจะมีค่าเกาะกลุ่มอยู่ใกล้ๆกับค่ามัชฌิม.
ดู การแจกแจงปรกติและการแจกแจงปรกติหลายตัวแปร
การเข้ารหัสทางประสาท
การยิงศักยะงานเป็นขบวนหรือเป็นลำดับ ๆ ของเซลล์ประสาท การเข้ารหัสทางประสาท (Neural coding) เป็นการศึกษาทางประสาทวิทยาศาสตร์ เพื่อกำหนดความสัมพันธ์ระหว่างสิ่งเร้ากับการตอบสนองของเซลล์ประสาทเดี่ยว ๆ หรือของกลุ่มเซลล์ประสาท และความสัมพันธ์ระหว่างการทำงานทางไฟฟ้าของเซลล์ประสาทในกลุ่ม โดยอาศัยทฤษฎีว่า การทำงานของเครือข่ายเซลล์ประสาทในสมองจะเป็นตัวแทนข้อมูลทางประสาทสัมผัสและข้อมูลอื่น ๆ นักวิชาการจึงเชื่อว่า เซลล์ประสาทสามารถเข้ารหัสข้อมูลเป็นทั้งแบบดิจิตัลและแบบแอนะล็อก.
ดู การแจกแจงปรกติและการเข้ารหัสทางประสาท
การเคลื่อนที่แบบบราวน์
มุมมองการเคลื่อนที่แบบบราวน์ 3 แบบที่แตกต่างกัน จากการเคลื่อนที่ 32 ครั้ง, 256 ครั้ง และ 2048 ครั้ง แสดงด้วยจุดสีที่อ่อนลงตามลำดับ ภาพเสมือนจริง 3 มิติของการเคลื่อนที่แบบบราวน์ ในกรอบเวลา 0 ≤ ''t'' ≤ 2 การเคลื่อนที่แบบบราวน์ (Brownian motion; ตั้งชื่อตามนักพฤกษศาสตร์ โรเบิร์ต บราวน์) หมายถึงการเคลื่อนที่ของอนุภาคในของไหล (ของเหลวหรือก๊าซ) ที่คิดว่าเป็นไปโดยสุ่ม หรือแบบจำลองคณิตศาสตร์ที่ใช้เพื่ออธิบายการเคลื่อนที่แบบสุ่มดังกล่าว มักเรียกกันว่า ทฤษฎีอนุภาค มีการนำแบบจำลองคณิตศาสตร์ของการเคลื่อนที่แบบบราวน์ไปประยุกต์ใช้ในโลกจริงมากมาย ตัวอย่างที่นิยมอ้างถึงคือ ความผันผวนของตลาดหุ้น อย่างไรก็ดี การเคลื่อนไหวของราคาหุ้นอาจเพิ่มขึ้นเนื่องจากเหตุการณ์ที่ไม่อาจคาดการณ์ได้ซึ่งอาจไม่เกิดซ้ำกันอีก การเคลื่อนที่แบบบราวน์เป็นหนึ่งในกระบวนการสโตคาสติก (หรือความน่าจะเป็น) แบบเวลาต่อเนื่องที่ง่ายที่สุดแบบหนึ่ง ทั้งเป็นขีดจำกัดของกระบวนการทำนายที่ทั้งง่ายกว่าและซับซ้อนกว่านี้ (ดู random walk และ Donsker's theorem) ความเป็นสากลเช่นนี้คล้ายคลึงกับความเป็นสากลของการแจกแจงแบบปกติ ซึ่งสำหรับทั้งสองกรณีนี้ การนำไปใช้งานเน้นที่ความสะดวกในการใช้งานเชิงคณิตศาสตร์มากกว่าเรื่องของความแม่นยำของแบบจำลอง ทั้งนี้เนื่องจากการเคลื่อนที่ของบราวน์ (ซึ่งอนุพันธ์เวลาเป็นอนันต์เสมอ) เป็นการประมาณการอุดมคติสำหรับกระบวนการทางกายภาพแบบสุ่มที่เกิดขึ้นจริงที่กรอบเวลามักจำกัดอยู่ที่ค่าหนึ่งเสมอ.
ดู การแจกแจงปรกติและการเคลื่อนที่แบบบราวน์
มัธยฐาน
ในทฤษฎีความน่าจะเป็นและสถิติศาสตร์ มัธยฐาน (median) คือการวัดแนวโน้มสู่ส่วนกลางชนิดหนึ่ง ที่ใช้อธิบายจำนวนหนึ่งจำนวนที่แบ่งข้อมูลตัวอย่าง หรือประชากร หรือการแจกแจงความน่าจะเป็น ออกเป็นครึ่งส่วนบนกับครึ่งส่วนล่าง มัธยฐานของรายการข้อมูลขนาดจำกัด สามารถหาได้โดยการเรียงลำดับข้อมูลจากน้อยไปมาก (หรือมากไปน้อยก็ได้) แล้วถือเอาตัวเลขที่อยู่ตรงกลางเป็นค่ามัธยฐาน ถ้าหากจำนวนสิ่งที่สังเกตการณ์เป็นจำนวนคู่ ทำให้ค่าที่อยู่ตรงกลางมีสองค่า ดังนั้นเรามักจะหามัชฌิม (mean) ของสองจำนวนนั้นเพื่อให้ได้มัธยฐานเพียงหนึ่งเดียว.
จุดผลิตน้ำมันสูงสุด
กราฟแสดงการผลิตน้ำมันโลก ทั้งข้อมูลตามประวัติและข้อมูลอนาคตตามที่คาดหมาย และตามที่เสนอโดยนักธรณีวิทยา ดร.
ดู การแจกแจงปรกติและจุดผลิตน้ำมันสูงสุด
คณิตศาสตร์การเงิน
วิศวกรรมการเงิน เป็นสาขาหนึ่งของพาณิชยศาสตร์และการบัญชี ที่ศึกษาทางด้านการเงิน โดยอาศัยเครื่องมือทางคณิตศาสตร์ในการวิเคราะห์ โดยธรรมชาติแล้วจะมีความสัมพันธ์ใกล้ชิดกับเศรษฐศาสตร์การเงิน แต่วิศวกรรมการเงินนั้นแคบกว่าและมีลักษณะเป็นนามธรรมมากกว่า วิศวกรรมการเงิน จะใช้เครื่องมือทางคณิตศาสตร์โดยเฉพาะเครื่องมือทางสถิติ ในการวิเคราะห์ความเสี่ยงทางการเงิน และ ประเมินมูลค่าของตราสารทางการเงิน เช่น ตราสารอนุพัน.
ดู การแจกแจงปรกติและคณิตศาสตร์การเงิน
ค่าเบี่ยงเบนมาตรฐาน
ี่ยงเบนมาตรฐาน หรือ ส่วนเบี่ยงเบนมาตรฐาน หรือ ความเบี่ยงเบนมาตรฐาน (standard deviation: SD) ในทางสถิติศาสตร์และความน่าจะเป็น เป็นการวัดการกระจายแบบหนึ่งของกลุ่มข้อมูล สามารถนำไปใช้กับการแจกแจงความน่าจะเป็น ตัวแปรสุ่ม ประชากร หรือมัลติเซต ค่าเบี่ยงเบนมาตรฐานมักเขียนแทนด้วยอักษรกรีกซิกมาตัวเล็ก (σ) นิยามขึ้นจากส่วนเบี่ยงเบนแบบ root mean square (RMS) กับค่าเฉลี่ย หรือนิยามขึ้นจากรากที่สองของความแปรปรวน ค่าเบี่ยงเบนมาตรฐานคิดค้นโดย ฟรานซิส กาลตัน (Francis Galton) ในช่วงปลายคริสต์ทศวรรษ 1860 เป็นการวัดการกระจายทางสถิติที่เป็นปกติทั่วไป ใช้สำหรับเปรียบเทียบว่าค่าต่างๆ ในเซตข้อมูลกระจายตัวออกไปมากน้อยเท่าใด หากข้อมูลส่วนใหญ่อยู่ใกล้ค่าเฉลี่ยมาก ค่าเบี่ยงเบนมาตรฐานก็จะมีค่าน้อย ในทางกลับกัน ถ้าข้อมูลแต่ละจุดอยู่ห่างไกลจากค่าเฉลี่ยเป็นส่วนมาก ค่าเบี่ยงเบนมาตรฐานก็จะมีค่ามาก และเมื่อข้อมูลทุกตัวมีค่าเท่ากันหมด ค่าเบี่ยงเบนมาตรฐานจะมีค่าเท่ากับศูนย์ นั่นคือไม่มีการกระจายตัว คุณสมบัติที่เป็นประโยชน์อย่างหนึ่งก็คือ ค่าเบี่ยงเบนมาตรฐานใช้หน่วยอันเดียวกันกับข้อมูล แต่กับความแปรปรวนนั้นไม่ใช่ เมื่อตัวอย่างของข้อมูลกลุ่มหนึ่งถูกเลือกมาจากประชากรทั้งหมด ค่าเบี่ยงเบนมาตรฐานของประชากรสามารถประมาณค่าได้จากค่าเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่างนั้น.
ดู การแจกแจงปรกติและค่าเบี่ยงเบนมาตรฐาน
ตารางของสัญลักษณ์ทางคณิตศาสตร์
รายการนี้จะถูกจัดระเบียบตาม "ความสัมพันธ์" มี Wikibooks สำหรับการใช้สัญลักษณ์ในแบบ LaTex และยังครอบคลุมถึงการอธิบายเรื่องสัญลักษณ์ LaTex สัญลักษณ์อาจจะถูกเพิ่มเข้าผ่านทางทางเลือกอื่นอย่างเช่นการตั้งค่าเอกสารขึ้นมาเพื่อสนับสนุนยูนิโค้ด (ป.ล.
ดู การแจกแจงปรกติและตารางของสัญลักษณ์ทางคณิตศาสตร์
ซิกส์ซิกมา
ซิกส์ซิกมา เขียนแทนด้วยตัวเลข 6 และเครื่องหมายซิกมา ซิกส์ซิกมา (Six Sigma) หมายถึงระดับคุณภาพของกระบวนการผลิตที่ยอมให้มีของเสียในระบบได้เพียง 3.4 ชิ้นต่อการผลิตสินค้าล้านชิ้น และนอกจากนี้ยังเป็นเครื่องมือช่วยธุรกิจ ให้สามารถแก้ปัญหาคุณภาพของระบบของการปฏิบัติการได้อีกด้ว.
ดู การแจกแจงปรกติและซิกส์ซิกมา
Neuroticism
ในการศึกษาทางจิตวิทยา Neuroticism เป็นลักษณะบุคลิกภาพ (personality trait) ที่แสดงออกเป็นความวิตกกังวล ความหวาดกลัว การมีอารมณ์แปรปรวน ความกลุ้มใจ ความอิจฉาริษยา ความขัดข้องใจ และความเหงา คือมีอารมณ์ไม่เสถียร บุคคลที่ได้คะแนนสูงในลักษณะบุคลิกภาพนี้ จะมีโอกาสสูงกว่าโดยเฉลี่ยที่จะประสบกับอารมณ์เชิงลบต่าง ๆ เช่น ความวิตกกังวล ความหวาดกลัว ความอิจฉาริษยา ความรู้สึกผิด และความซึมเศร้า จะมีปฏิกิริยาที่แย่กว่าต่อสิ่งที่ก่อความเครียด และมีโอกาสสูงกว่าที่จะเห็นเหตุการณ์ปกติธรรมดาว่าเป็นภัย และความขัดข้องใจเล็ก ๆ น้อย ๆ ว่าเป็นเรื่องยากถึงให้สิ้นหวัง บ่อยครั้งจะมีความรู้สึกสำนึกตนหรือประหม่ามากเกินไป และขี้อาย และอาจจะมีปัญหาห้ามอารมณ์ชั่ววูบและผัดผ่อนการสนองความต้องการ ลักษณะบุคลิกภาพเช่นนี้เป็นปัจจัยเสี่ยงต่อความผิดปกติทางจิต (mental disorder) หลายอย่างที่สามัญที่สุด รวมทั้งภาวะซึมเศร้า โรคกลัว โรคตื่นตระหนก (panic disorder) โรควิตกกังวลอื่น ๆ และการติดสารเสพติด ซึ่งเป็นอาการที่เคยวินิจฉัยว่าเป็นโรคประสาท (neurosis).
ดู การแจกแจงปรกติและNeuroticism
หรือที่รู้จักกันในชื่อ Normal distributionการแจกแจงปกติการแจกแจงแบบปกติการแจกแจงแบบปรกติ