下载文档原格式
正态分布的分布函数公式推导正态分布是一种常见的概率分布，也称为高斯分布。
其概率密度函数为：$$f(x)=dfrac{1}{sigmasqrt{2pi}}e^{-frac{(x-mu)^2}{2sigma^2} }$$其中，$mu$是均值，$sigma$是标准差。
正态分布的分布函数可以通过积分得到，具体推导过程如下：$$F(x)=int_{-infty}^x f(t)dt$$将$f(t)$代入上式得到：$$F(x)=int_{-infty}^xdfrac{1}{sigmasqrt{2pi}}e^{-frac{(t-mu)^2}{2sigma^2}}dt$$ 对$t-mu$进行代换，令$u=dfrac{t-mu}{sigma}$，则有：$$F(x)=int_{-infty}^{frac{x-mu}{sigma}}dfrac{1}{sqrt{2pi}}e^{-frac{u^2}{2}}du$$注意到上式为正态分布的标准正态分布函数，即均值为0，标准差为1的正态分布。
标准正态分布的分布函数没有解析解，但是可以通过数值计算或查表得到。
因此，正态分布的分布函数可以通过标准正态分布的分布函数进行转换。
具体地，设$Z$为标准正态分布的随机变量，则有：$$F(x)=P(Xle x)=P(mu+sigma Zle x)=P(Zledfrac{x-mu}{sigma})=Phi(dfrac{x-mu}{sigma})$$其中，$Phi(z)$表示标准正态分布的分布函数，也称为累积分布函数。
因此，正态分布的分布函数可以表示为：$$F(x)=dfrac{1}{2}[1+mathrm{erf}(dfrac{x-mu}{sigmasqrt{2}}) ]$$其中，$mathrm{erf}(z)$为误差函数，定义为：$$mathrm{erf}(z)=dfrac{2}{sqrt{pi}}int_0^z e^{-t^2}dt$$ 综上所述，正态分布的分布函数可以通过标准正态分布的分布函数进行转换，最终得到误差函数的表达式。
图 6-2 正态分布概率密度函数的曲线正态曲线可用方程式表示。
当n→∞时，可由二项分布概率函数方程推导出正态分布曲线的方程：f(x)= （6.16 ）式中： x —所研究的变数； f(x) —某一定值 x 出现的函数值，一般称为概率密度函数（由于间断性分布已转变成连续性分布，因而我们只能计算变量落在某一区间的概率，不能计算变量取某一值，即某一点时的概率，所以用“概率密度”一词以与概率相区分），相当于曲线 x 值的纵轴高度； p —常数，等于 3.1 4159 ……； e —常数，等于 2.71828 ……；μ为总体参数，是所研究总体的平均数，不同的正态总体具有不同的μ ，但对某一定总体的μ 是一个常数；δ 也为总体参数，表示所研究总体的标准差，不同的正态总体具有不同的δ ，但对某一定总体的δ 是一个常数。
上述公式表示随机变数 x 的分布叫作正态分布，记作N( μ , δ2 ) ，读作“具平均数为μ，方差为δ2 的正态分布”。
正态分布概率密度函数的曲线叫正态曲线，形状见图 6-2 。
（二）正态分布的特性1 、正态分布曲线是以x= μ 为对称轴，向左右两侧作对称分布。
因的数值无论正负，只要其绝对值相等，代入公式（ 6.16 ）所得的 f(x) 是相等的，即在平均数μ 的左方或右方，只要距离相等，其 f(x) 就相等，因此其分布是对称的。
在正态分布下，算术平均数、中位数、众数三者合一位于μ点上。
2 、正态分布曲线有一个高峰。
随机变数 x 的取值范围为（ - ∞，+ ∞ ），在（ - ∞ ，μ ）正态曲线随 x 的增大而上升，；当 x= μ 时， f(x) 最大；在（μ ，+ ∞ ）曲线随 x 的增大而下降。
3 、正态曲线在︱x-μ︱=1 δ 处有拐点。
曲线向左右两侧伸展，当x →± ∞ 时，f(x) →0 ，但 f(x) 值恒不等于零，曲线是以 x 轴为渐进线，所以曲线全距从 -∞到+ ∞。
正态分布求导1.正态分布参考博客：概率密度函数的意义：若随机变量 X 服从一个位置参数为 \mu 、尺度参数为 \sigma 的概率分布，且其概率密度函数为:\mu ：\mu是正态分布的位置参数，描述正态分布的集中趋势位置。
概率规律为取与\mu邻近的值的概率大，而取离\mu越远的值的概率越小。
正态分布以X=\mu为对称轴，左右完全对称。
正态分布的期望、均数、中位数、众数相同，均等于\mu。
位置（形状）参数控制分布函数形状的变化。
\sigma ：σ是正态分布的尺度参数，描述正态分布资料数据分布的离散程度，σ越大，数据分布越分散，σ越小，数据分布越集中。
也称为是正态分布的形状参数，σ越大，曲线越扁平，反之，σ越小，曲线越瘦高。
尺度参数控制分布函数在幅度上的变化。
f(x)=\frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{(x-\mu)^{2}}{2\sigma^{2}}} （1）则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作 X \sim N\left(\mu, \sigma^{2}\right) 。
随机变量：随机变量可以看做是关联了概率值的变量，即变量取每个值有一定的概率。
随机变量取每个具体的值的概率为0，但在落在每一点处的概率是有相对大小的，描述这个概念的，就是概率密度函数。
一般正态分布当\mu=0,\sigma=1时，称为标准正态分布。
X \sim N\left(0,1\right)f(x)=\frac{1}{\sqrt{2 \pi}} e^{-\frac{x^{2}}{2}} （2）标准整体分布2.正态分布的分布函数一般正态分布的分布函数F(x):F(x)=P(X \leqslant x)=\frac{1}{\sqrt{2 \pi} \sigma} \int_{-\infty}^{x} e^{-\frac{(t-\mu)^{2}}{2 \sigma^{2}}} d t (3)。
