下载文档原格式
正态分布维基百科，自由的百科全书跳转到：导航, 搜索此条目或章节需要精通或熟悉本主题的专家参与编辑请协助邀请适合的人士，或参照相关专业文献，自行改善这篇条目。
更多的细节与详情请参见条目讨论页。
汉漢▼正态分布概率密度函数绿线代表标准正态分布累积分布函数颜色与概率密度函数同参数μlocation（real）σ2 > 0 squared scale（real）支撑集概率密度函數累积分布函数期望值μ中位数μ众数μ方差σ2偏度0峰度 3信息熵动差生成函数特性函数正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。
若随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布，记为：X∼N(μ,σ2),则其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。
因其曲线呈钟形，因此人们又经常称之为钟形曲线。
我们通常所说的标准正态分布是μ = 0,σ = 1的正态分布（见右图中绿色曲线）。
目录• 1 概要o 1.1 历史• 2 正态分布的定义o 2.1 概率密度函数o 2.2 累积分布函数o 2.3 生成函数▪ 2.3.1 动差生成函数▪ 2.3.2 特征函数• 3 性质o 3.1 标准化正态随机变量o 3.2 矩(英文:moment)o 3.3 生成正态随机变量o 3.4 中心极限定理o 3.5 无限可分性o 3.6 稳定性o 3.7 标准偏差• 4 正态测试• 5 相关分布• 6 参量估计o 6.1 参数的极大似然估计▪ 6.1.1 概念一般化o 6.2 参数的矩估计•7 常见实例o7.1 光子计数o7.2 计量误差o7.3 生物标本的物理特性o7.4 金融变量o7.5 寿命o7.6 测试和智力分布•8 计算统计应用o8.1 生成正态分布随机变量•9 参见•10 引用条目•11 外部连接[编辑]概要正态分布是自然科学与行为科学中的定量现象的一个方便模型。
正态分布的理论原理及应用正态分布（Normal Distribution），又称高斯分布（Gaussian Distribution），是概率统计学中最重要的概率分布之一，也是最常见的连续概率分布之一、正态分布在理论研究和实际应用中都起到了重要的作用。
1.中心极限定理：中心极限定理是正态分布理论的基础，它指出，独立同分布的随机变量的和的极限分布依近似于正态分布。
这意味着，对于大量独立随机变量的和，即使这些变量的分布不同，其总体分布也会接近于正态分布。
2.正态分布的概率密度函数：正态分布的概率密度函数由两个参数决定，即均值（μ）和标准差（σ）。
其概率密度函数可以表示为：f(x)=(1/(σ*√(2π)))*e^(-((x-μ)^2/(2σ^2)))3.正态分布的特性：-均值μ是分布的中心，标准差σ决定了分布的离散程度。
-68%的观测值在均值左右一个标准差范围内，95%的观测值在均值左右两个标准差范围内，99.7%的观测值在均值左右三个标准差范围内。
1.统计分析：正态分布广泛应用于统计分析中。
很多统计模型都需要基于正态分布的假设。
例如，参数估计、假设检验、方差分析等都需要基于正态分布进行推断。
2.质量控制：质量控制中常常使用正态分布。
通过收集样本数据，计算平均值和标准差，可以对产品的质量进行控制和评估。
例如，正态分布常用于确定产品的上下公差。
3.自然科学：正态分布在自然科学中也有应用。
例如，生物学中研究身高、体重等指标时可以使用正态分布。
物理学中粒子运动的速度和位置分布也可以近似为正态分布。
4.金融与经济学：金融市场和经济领域中，许多变量的分布近似为正态分布。
例如，股票收益率、利率、汇率等可以建模为正态分布。
这使得研究人员能够使用正态分布的属性来做出预测和决策。
5.归一化处理：正态分布是进行归一化处理的常用工具之一、通过将数据转化为标准正态分布，可以对不同数据进行比较和分析。
什么是正态分布？正态分布（Normal Distribution），又称高斯分布（Gaussian Distribution），是概率论和统计学中最重要的连续型概率分布之一。
它的形状呈钟形曲线，两侧尾部逐渐趋于无穷远，中间部分较为集中。
正态分布在自然界和社会科学中广泛应用，被认为是一种理想的分布模型。
正态分布的概率密度函数可以用以下公式表示：$$f(x) = \frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$其中，$x$ 是随机变量的取值，$\mu$ 是均值，$\sigma$ 是标准差。
正态分布的均值决定了曲线的中心位置，标准差决定了曲线的宽度。
正态分布具有以下特点：1. 对称性：正态分布的概率密度函数关于均值对称，即曲线在均值处取得最大值，两侧的面积相等。
2. 唯一性：正态分布由均值和标准差唯一确定。
3. 稳定性：正态分布在多次独立抽样下，样本均值的分布仍然服从正态分布。
4. 中心极限定理：当样本容量足够大时，无论总体分布是什么形状，样本均值的分布都接近正态分布。
正态分布在实际应用中具有广泛的意义和重要性。
首先，许多自然现象和社会现象都服从正态分布，例如人的身高、体重、智力水平等。
其次，正态分布在统计推断中起到了重要的作用。
根据正态分布的特性，我们可以利用正态分布进行参数估计、假设检验、置信区间估计等统计推断方法。
此外，正态分布还在工程、经济学、金融学等领域中广泛应用，例如风速、股票收益率等。
正态分布的应用不仅限于单变量情况，还可以推广到多变量情况。
多变量正态分布是指多个随机变量同时服从正态分布的情况。
多变量正态分布的概率密度函数可以用多元高斯分布的形式表示。
多变量正态分布在多元统计分析中具有重要的地位，常用于描述多个变量之间的相关关系。
总之，正态分布是概率论和统计学中最重要的分布之一，具有对称性、唯一性、稳定性和中心极限定理等特点。
正态分布(Normal distribution)随机变量的概率分布随机变量的类型(数理统计)连续型变量：变量在某一实区间内任意取值；离散型变量：变量只能取有限个数或可列个数。
应用统计分为：数值变量和分类变量，对应于定量资料和定性资料（含等级资料）。
描述随机变量的两个函数●概率密度函数用f(X)表示，对于离散型变量f(X)是变量取X值的概率，常用P(X)表示。
●分布函数变量取小于等于X值所占的比例，显然：有()0F X≥'()()F X f X=()()xF X f X dX-∞=⎰正态分布正态分布（normal distribution ），也称高斯分布（Gaussian dist.），是最常见、最重要的一种连续型分布。
若一个随机变量的概率密度函数为则称这种分布为正态分布。
式中，π为圆周率；e 为自然对数的底。
其中的参数µ是均数，σ是标准差，正态分布可记为X ～Ν(µ,σ)。
正态分布的分布函数为：de Moivre(德)首先提出正态分布的概率曲线具有下述特点（1）正态分布只有一个高峰，高峰的位置在X＝μ处。
（2）分布以均数为中心，中间高，两头低，左右完全对称的钟型曲线。
（3）正态分布的两个参数（μ和σ）分别决定了分布的位置和形状。
其中μ是位置参数，σ是形状参数。
当σ恒定时，μ愈大，正态曲线向右移动；反之，μ愈小，正态曲线向左移动。
若μ恒定，σ愈大（数据愈离散），正态曲线显得愈“矮胖”；反之，σ愈小(数据愈集中），正态曲线显得愈“瘦高”。
（5）对任一正态变量X 进行如下线性变换则u 一定服从于均数为零，标准差为1的正态分布，记为u ～N （0，1），称为标准正态分布（standard normal distribution ），其密度函数u 被称为标准正态变量或标准正态离差（standard normal deviate ）。
此性质在实际工作中极为重要，给应用工作者提供了极大的方便。
正态分布的概念和特征正态分布（normal distribution），又称高斯分布（Gaussian distribution），是概率统计学中最为重要和常见的一种连续概率分布。
起初，正态分布是由德国数学家高斯（Carl Friedrich Gauss）于18世纪末发现并进行了深入研究，因而得名。
1. 均值（mean）：正态分布的均值决定了其分布的位置，是分布曲线的对称轴。
在正态分布中，均值位于分布的最高峰处，对称地分布于左右两侧。
记作μ。
2. 方差（variance）：正态分布的方差决定了分布的形态宽窄，方差越大，分布曲线越扁平。
方差是各观测值与均值差的平方的平均数，可表示为σ²。
3. 标准差（standard deviation）：标准差是方差的平方根，用于衡量分布的离散程度，即观测值偏离均值的程度。
标准差越大，分布曲线越扁平，表示数据的散布越广。
标准差记作σ。
1.正态分布的曲线是对称的，即分布曲线两侧关于均值对称。
2.曲线的最大值位于均值处，即分布的峰值。
3.正态分布过程的结果是连续的变量，其取值范围无限。
4.正态分布的总体分布是平滑的，没有突变的点。
5.正态分布由两个参数确定，即均值和标准差，均值决定了分布的位置，标准差决定了分布的形态。
正态分布在实际中具有广泛的应用，原因如下：1.中心极限定理：正态分布是中心极限定理的基础。
中心极限定理指出，当独立随机变量的个数足够大时，这些随机变量的均值的分布将近似于正态分布。
因此，正态分布被广泛用于描述各种自然现象和现实生活中的变量。
2.数据分布：许多自然现象和人类行为都可以由正态分布进行描述。
例如，人类身高和体重的分布通常近似于正态分布，许多生物和地理量的测量也遵循正态分布。
3.统计推断：正态分布在统计推断中扮演着重要的角色。
通过对样本数据进行正态分布检验，可以判断样本数据是否服从正态分布，从而决定使用何种统计方法进行推断。
总之，正态分布是概率统计学中最为重要和常见的分布之一、其具有对称、平滑、以及由均值和标准差决定的特征，广泛应用于模型拟合、数据分析和统计推断等领域。
高中正态分布知识点正态分布（Normal distribution）在高中数学中起着重要的作用，它具有许多特点和应用。
正态分布是一种连续概率分布，其特征是以均值为中心对称，并且呈钟型分布。
它在统计学、概率论、自然科学等领域都有广泛的应用。
一、正态分布的特点正态分布的特点主要有三个方面：对称性、均值、标准差。
1. 对称性：正态分布的曲线以均值为中心对称，即曲线两侧的面积相等。
这意味着在正态分布中，均值附近的数值出现的概率较大，而离均值较远的数值出现的概率较小。
2. 均值：正态分布的均值是曲线的中心位置，也是分布的期望值。
在正态分布中，均值的取值是有用的参考，可以帮助我们了解数据集的中心倾向。
3. 标准差：正态分布的标准差决定了曲线的宽度，标准差较小意味着数据集的值相对集中，标准差较大意味着数据集的值相对分散。
标准差还可以用来衡量数据的离散程度。
二、正态分布的应用正态分布在实际生活中有广泛的应用，以下是几个常见的场景：1. 身高和体重：人类的身高和体重通常服从正态分布。
这使得我们可以通过计算均值和标准差来了解人群的平均身高和体重，也能够判断某个个体身高和体重是否在正常范围之内。
2. 考试成绩：考试成绩常常呈正态分布。
通过对成绩分布的分析，教师可以了解学生的表现情况，设计适合学生的教学方案。
3. 生物学实验数据：生物学实验中的许多测量结果，如细胞数量、药物浓度等，往往服从正态分布。
通过对实验结果的分析，科研人员可以评估实验的准确性和稳定性。
4. 财经领域：股市收益率、商品价格等经济指标常常符合正态分布。
金融机构和投资者可以利用正态分布来进行风险评估和预测。
三、正态分布的性质正态分布具有许多重要的性质，以下是其中几个常见的性质：1. 中心极限定理：中心极限定理是正态分布的一个重要应用。
它表明，当样本容量足够大时，样本均值的分布会接近于正态分布。
2. 正态分布的标准化：对于给定的正态分布，我们可以通过标准化处理将其转化为标准正态分布。
