标准正态分布函数和概率密度转换
标准正态分布函数和概率密度是统计学中常见的概念。
标准正态分布函数是指在均值为0、标准差为1的情况下，符合正态分布的随机变量的概率分布函数。
概率密度是指在某一点上，随机变量概率密度函数的导数值。
将一个正态分布随机变量转化为标准正态分布随机变量，就是通过对其进行标准化处理，使其均值为0，标准差为1。
这个过程可以通过以下式子完成：
$ Z = frac{X - mu}{sigma} $
其中，Z为标准正态分布随机变量，X为正态分布随机变量，μ为X的均值，σ为X的标准差。
通过这个转化，我们可以方便地计算标准正态分布随机变量的累积分布函数和概率密度函数。
标准正态分布的累积分布函数可以表示为：
$ Phi(z) = int_{-infty}^z frac{1}{sqrt{2pi}}e^{-
frac{t^2}{2}}dt $
其中，z为标准正态分布随机变量，$Phi(z)$为其累积分布函数。
而标准正态分布的概率密度函数则可以表示为：
$ phi(z) = frac{1}{sqrt{2pi}}e^{-frac{z^2}{2}} $ 通过这些公式，我们可以进行各种统计学分析，如计算随机变量的概率、求解置信区间等。
标准正态分布函数和概率密度的转换
也是统计学中必不可少的基础知识。
正态分布的概率密度一元正态分布的概率密度函数具有如下形式：ke^{-\frac{1}{2}\alpha(x-\beta)^2}=ke^{-\frac{1}{2}(x-\beta)\alpha(x-\beta)}\\ （1）其中 \alpha 为正数，系数 k 使式（1）在整个 x 轴上的积分为1。
多元（ _1,\cdots,_p ）正态分布的概率密度函数具有相似的形式。
用向量\boldsymbol x= \begin{bmatrix} x_1\\x_2\\\vdots\\x_p\end{bmatrix}\\替换标量 x常数 \beta 被向量\boldsymbol b= \begin{bmatrix} b_1\\b_2\\\vdots\\b_p\end{bmatrix}\\\alpha 被一对称正定矩阵 \boldsymbol A 替换\boldsymbol A= \begin{bmatrix} a_{11}&a_{12}&\cdots&a_{1p}\\ a_{21}&a_{22}&\cdots&a_{2p}\\ \vdots&\vdots&\space&\vdots\\a_{p1}&a_{p2}&\cdots&a_{pp} \end{bmatrix}\\平方项 \alpha(x-\beta)^2=(x-\beta)\alpha(x-\beta) 被一二次型替换(\boldsymbol x- \boldsymbol b)^T\boldsymbol A(\boldsymbol x- \boldsymbol b)=\sum_{i,j=1}^{p}{a_{ij}(x_i-b_i)(x_j-b_j)}\\因此p维正态分布的概率密度函数的形式为f(x_1,\cdots,x_p)=Ke^{-\frac{1}{2}(\boldsymbol x-\boldsymbol b)^T\boldsymbol A(\boldsymbol x- \boldsymbol b)}\\ (2)其中系数 K 使式（2）在整个 p 维欧几里得空间 x_1,\cdots,x_p上的积分为1。
