正态分布
- 格式：doc
- 大小：50.50 KB
- 文档页数：8
文档推荐
-
t-distribution页数:1
-
常用分布函数及特征函数页数:3
下载文档原格式
合集下载
正态分布
x
x
当-x<0时 ( x ) P ( X x )
P( X x) 1 P( X x)
1 ( x ) (0 x 4.99)
当x 5时, ( x ) 1;当x 5时, ( x ) 0
P ( a X b) ( b) ( a)
或
令x=μ+c, x=μ-c (c>0), 分别代入f (x), 可 得 f (μ+c)=f (μ-c) 且 f (μ+c) ≤f (μ), f (μ-c)≤f (μ)
1 f ( x) e 2
( x )2 2 2
, x
当x→ ∞时，f(x) → 0, 这说明曲线 f(x)向左右伸展时，越来越 贴近x轴。即f (x)以x轴为渐近线。
将标准正态分布概率密度的图形向左(或) 右平行移动 个单位，向上伸长(或压缩)
1
图形。
个单位，即可得一般正态分布概率密度的
( x )2 2 2
1 f ( x) e 2 ( x )
,
既然标准正态分布是关于y 轴对称的,而一 般正态分布是由标准正态分布平移 个单位 得来的,故f (x)以μ为对称轴，并在x=μ处达到 最大值: 1 f ( ) 2
2
X
~N(0,1)
根据定理1,只要将一般正态分布的分布 函数转化成标准正态分布，然后查表就可解 决一般正态分布的概率计算问题.
设X ~ N ( , 2 ),Y ~ N (0,1) 其概率密度分别为：
( x ), 0 ( y ) 分布函数分别为： ( x ), 0 ( y )
P ( X a ) P (Y a
a
x
当-x<0时 ( x ) P ( X x )
P( X x) 1 P( X x)
1 ( x ) (0 x 4.99)
当x 5时, ( x ) 1;当x 5时, ( x ) 0
P ( a X b) ( b) ( a)
或
令x=μ+c, x=μ-c (c>0), 分别代入f (x), 可 得 f (μ+c)=f (μ-c) 且 f (μ+c) ≤f (μ), f (μ-c)≤f (μ)
1 f ( x) e 2
( x )2 2 2
, x
当x→ ∞时，f(x) → 0, 这说明曲线 f(x)向左右伸展时，越来越 贴近x轴。即f (x)以x轴为渐近线。
将标准正态分布概率密度的图形向左(或) 右平行移动 个单位，向上伸长(或压缩)
1
图形。
个单位，即可得一般正态分布概率密度的
( x )2 2 2
1 f ( x) e 2 ( x )
,
既然标准正态分布是关于y 轴对称的,而一 般正态分布是由标准正态分布平移 个单位 得来的,故f (x)以μ为对称轴，并在x=μ处达到 最大值: 1 f ( ) 2
2
X
~N(0,1)
根据定理1,只要将一般正态分布的分布 函数转化成标准正态分布，然后查表就可解 决一般正态分布的概率计算问题.
设X ~ N ( , 2 ),Y ~ N (0,1) 其概率密度分别为：
( x ), 0 ( y ) 分布函数分别为： ( x ), 0 ( y )
P ( X a ) P (Y a
a
正态分布
2. 一般正态分布的概率计算
对于一般正态分布的概率计算，可以应用定积分的
换元法将其转化为标准正态分布的概率计算.
定理 设X~ N(, ) ，则 X ~ N(0,1).
这样，若X~ N(, )，并记其分布函数为 F(x)，则
从而
F ( x)
P{X
x}
P
X
x
P
X
1 2
5
1
2
2
0.9772
P{0
X
1.6}
P
0
1 2
X 1 2
1.6 1
2
0.3 0.5
0.3 0.5 1
0.6179 0.6915 1 0.3094
P{
解：由题意知 X ~ N (10.05,0.062 )，于是
P{
X
10.05
0.12}
P
0.12 0.06
X
10.05 0.06
0.12
0.06
2 2
22 1
2 0.9772 1 0.9544
例4 设 X ~ N(, )，求 P{ X }, P{ X 2 },
越小，图形越陡峭.
o
1 x
0.5 1 1.5
x
特别地，当 0， 1时，称 X 服从标准正态分布，
记为 X ~ N(0,1)，其概率密度函数为
(x)
1
x2
正态分布
y (x)
密度函数
(x)
1 2
x
2
e
2
专用符 号
分布函数
( x)
x
1 2
x
2
e
2
dx
专用符 号
标准正态分布的性质
分布函数
( x ) P{ X x}
( x)
( x)
x
1 2
t
2
e
2
dt
x
( x) 1 ( x)
一般正态分布的标准化
定理
x 如果 X ~ N ( , ), 则 F ( x)
2
概率计算 若 X ~ N ( , 2 )
b a P (a X b)
a P( X a) 1
决定了图形的中心位置，
的陡峭程度.
决定了图形中峰
正态分布的分布函数
f (x) 1 2
(x ) 2
2 2
e
y
1
1 2
F ( x)
x
1 2
( x ) 2
2
2
e
dx
F(x)
x
计算概率？
P a X b F b F a
由 x 的单调性可得
k 18 2.5 0.91
k 20.275
正态分布的实际应用
某单位招聘155人，按考试成绩录用，共有526 人报名，假设报名者的考试成绩 X ~ N ( , 2 ) 已知90分以上的12人，60分以下的83人，若从高 分到低分依次录取，某人成绩为78分，问此人能否被 录取？ 分析
密度函数
(x)
1 2
x
2
e
2
专用符 号
分布函数
( x)
x
1 2
x
2
e
2
dx
专用符 号
标准正态分布的性质
分布函数
( x ) P{ X x}
( x)
( x)
x
1 2
t
2
e
2
dt
x
( x) 1 ( x)
一般正态分布的标准化
定理
x 如果 X ~ N ( , ), 则 F ( x)
2
概率计算 若 X ~ N ( , 2 )
b a P (a X b)
a P( X a) 1
决定了图形的中心位置，
的陡峭程度.
决定了图形中峰
正态分布的分布函数
f (x) 1 2
(x ) 2
2 2
e
y
1
1 2
F ( x)
x
1 2
( x ) 2
2
2
e
dx
F(x)
x
计算概率？
P a X b F b F a
由 x 的单调性可得
k 18 2.5 0.91
k 20.275
正态分布的实际应用
某单位招聘155人，按考试成绩录用，共有526 人报名，假设报名者的考试成绩 X ~ N ( , 2 ) 已知90分以上的12人，60分以下的83人，若从高 分到低分依次录取，某人成绩为78分，问此人能否被 录取？ 分析
什么是正态分布
什么是正态分布正态分布（Normal Distribution），又称为高斯分布（Gaussian Distribution），是概率论和统计学中十分重要的一种连续概率分布。
它是由数学家卡尔·弗里德里希·高斯在19世纪初提出的。
基本概念及性质正态分布的概率密度函数可以用如下的数学公式表示：其中，是均值，是标准差。
正态分布的特点如下：曲线呈钟形状，并且以均值为对称轴。
分布的均值、中位数和众数都相等，且位于曲线的中心。
标准差越大，曲线越扁平；标准差越小，曲线越陡峭。
正态分布的总面积等于1。
正态分布可以通过均值和标准差来完全描述。
重要应用领域正态分布在各个领域都有广泛的应用，以下列举了一些典型的应用：统计学在统计学中，正态分布是基础假设之一。
许多统计模型和方法都是基于假设数据服从正态分布进行推导和处理的。
例如，最小二乘回归、方差分析、z检验、t检验等都假定数据符合正态分布。
金融学正态分布在金融学中有广泛应用。
根据随机漫步理论，股票价格变动通常被认为是正态分布的。
基于此假设，投资者可以使用正态分布模型来进行风险评估和收益预测。
自然科学许多自然科学现象可以用正态分布来描述。
例如，身高、体重、IQ 分数等人类特征常常呈现出正态分布；地震、海啸等自然灾害的发生频率也具有一定程度上的正态性。
工程学在质量控制和可靠性工程中，正态分布也具有重要意义。
通过对工程过程数据进行正态性检验，可以评估产品是否在可接受范围内，并进行相应的调整和改进。
正态检验与参数估计为了判断给定数据是否服从正态分布，我们可以使用一些统计方法进行检验。
常见的方法包括：Kolmogorov-Smirnov检验：比较经验累积分布函数与理论累积分布函数之间的差异。
Shapiro-Wilk检验：基于样本数据与其期望值之间的相关系数来判断样本是否符合正态性。
QQ图：通过比较样本数据与理论上由正态分布生成的随机变量之间的关系来检查数据是否近似为正态分布。
正态分布
三． 特征
1． 是单峰曲线，x=μ 2． 以均数μ为中心左右对称 3． 有2个参数，μ：位置参数， σ：变异度参数 σ越大，数据越分散，曲线越平坦。 特别地 N（0，1）称为标准正态分布 （z分布、u分布）
四．正态曲线下面积的分布规律
通过对密度函数积分我们可以知道正态曲线下， 横轴上所夹的面积为1，标准正态分布下1.96~1.96部分的面积为0.95 （可以通过积分 求得）。也就是说|u|>1.96的面积为0.05，对 任意的x，-x~x区间面积为多少呢？统计学家 已将此编制成了正态分布界值表，不过表中 的面积是指p(u<x), 也记作φ（x）。
3． 正态分布是许多统计方法的理论 基础，如后面要讲的t检验、方差分析、 相关回归等，t分布、二项分布、 Poisson分布的极限分布也是正态分布。
4．估计频数分布
例 出生体重低于2500克为低体重儿。若 由某项研究得某地婴儿出生体重均数为 3200克，标准差为350克，估计该地当 年低体重儿所占的比例。2． 源自计医学正常值范围x u s
例 120名健康成年男性农民舒张压的均数 为10.1kPa，标准差为0.93kPa，求舒张 压的95%双侧正常值范围。 ±1.96s =10.1±1.96×0.93 即 8.28~11.92 kPa 95%参考范围（reference range）或正常 范围（normal range）仅仅告知95%健 康者的测定值在此范围之内，并非告知 凡在此范围之内皆健康，也非告知凡在 此范围之外皆不健康，所以不可将之作 为诊断标准。
以上讨论的是标准正态分布，对一般的正 态分布，某指标x~N(μ,σ2),则 u=(x-μ)/σ~N(0,1) 即-1.96<u<1.96的面积为0.95 μ-1.96σ<x<μ+1.96σ的面积为0.95
正态分布
正态分布（normal distribution ）一、 定义 如果连续型随机变量取值分布呈现单峰、对称、两侧均匀变动的钟形分布，且能用下列函数描述其位置和形状特征的，则称之为正态分布。
概率密度函数， -∞<x<∞二、 参数1、可变参数（1）位置参数 μ E （x ）=μ表达正态曲线在横轴的位置：μ3>μ2>μ11 2 3(2) 形态参数 σ表达正态曲线的偏尖峰形状和偏平阔形状:σ3>σ2>σ1 V(x)= σ2固定参数 (1)偏度系数 理论三阶矩 SK=∑（x-μ）3/nσ3=0 (2) 峰度系数 理论四阶矩 KU=∑（x-μ）4/nσ4=3 * 样本偏度系数g 1与样本峰度系数g 2公式复杂，可参阅其他教材。
三、图形及曲线与横轴向面积（概率）分布规律P{μ-σ<x<μ+σ}=0.6827P{μ-1.96σ<x<μ+1.96σ}=0.9500 P{μ-2.58σ<x<μ+2.58σ}=0.990022()())2X f X μσ-=-四、 应用1、描述资料分布2、依据面积分布规律求医学参考值范围3、质量控制方法中随机误差分布符合正态，可用一定范围作为质量警戒线和控线4、标准正态分布的U 值，可视为重要统计量，是大样本参数估计和假设检验的基础。
而且用于求资料某一定范围内分布的理论频数（n 、x 、s ）已计算出例：已知x =50，S=10,N=200,求45<x<65的频数 解：令x 1=45 x 2=65U 1=(45-50)/10=-0.5， U 2=(65-50)/10=1.5 查U 值表Ф{-0.5< U 1<0}=0.5-0.3085=0.1915 Ф{0< U 2<1.5}=0.5-0.0668=0.4332 P{-0.5<U<1.5}=0.1915+0.4332=0.6247 200×0.6247=1255、正态分布式在特定条件下一些离散型分布的极限分布，这意味着只要符合特定条件，这些离散型分布亦可按正态近似法处理。
什么是正态分布
什么是正态分布正态分布，又称高斯分布，是在统计学和概率论中非常重要的一种连续概率分布。
它是由德国数学家卡尔·弗里德里希·高斯提出的，常用于描述自然界中的许多现象，如身高、智商、测量误差等。
正态分布具有对称的钟形曲线，其特性使得它在统计推断、假设检验等领域起着至关重要的作用。
正态分布的定义正态分布是一个由均值μ（mu）和标准差σ（sigma）两个参数所决定的概率密度函数。
其数学表达式为：在这个公式中，( f(x) ) 是随机变量 ( X ) 的概率密度函数( ) 是均值，代表分布的中心位置( ) 是标准差，用于描述数据的离散程度( e ) 是自然对数的底数，约等于2.71828通过上述公式可以看出，当 ( x = ) 时，( f(x) )达到最大值；而随着 ( x ) 离开均值，概率密度逐渐减小。
正态分布的特性正态分布有几个重要特性，使其在研究中无处不在。
1. 对称性正态分布是关于均值 ( ) 对称的。
这意味着如果你将正态分布函数沿其均值向两侧折叠，左侧和右侧的形状完全一致。
这一特性使得很多统计方法可以简化计算，并提高了分析的效率。
2. 68-95-99.7法则这一法则描述了数据集中不同标准差范围内的数据比例：约68%的数据点落在均值±1个标准差内约95%的数据点落在均值±2个标准差内约99.7%的数据点落在均值±3个标准差内这一规律为理解异常值、识别数据分布特点提供了直观的依据。
3. 中心极限定理中心极限定理表明，在一定条件下，不同的独立随机变量之和趋向于正态分布，无论这些变量本身的分布是什么。
这意味着当你对大量独立同分布的随机变量取样时，其总和或平均值会呈现出近似正态分布，这一特性是统计推断的重要基础。
4. 单峰性正态分布是单峰的，即它只有一个峰值，这个峰值就是均值( μ )。
在这个峰值附近，概率密度最大的地方，随着离均值越远，数据点稀疏程度迅速增加。
正态分布
公 共 卫 生 系
正态分布 (Normal distribution)
公 共 卫 生 系
一、概念： (Gauss分布)
总体分布
正态分布是描述连续型变量值的 分布，医学资料许多服从正态分 布。
直方图的频数分布与正态分布 （见图2-4）
 ø ª ½ ¿ È ¿ ¡ ¦ ¨ © ·¼ Ð ± Ó Õ Ê Í ² ¼ Á £ kg£ Ö ²
结论：正常成年女子血清总胆固醇95% 的参考值范围为2.78-5.34（mmol/l）
公 共 卫 生 系
图2-5 正态分布参数位置变化示意图
公 共 卫 生 系
图2-6 正态分布变异度不同变化示意图
三、正态曲线下面积规律
公 共 卫 生 系
（一）、正态分布曲线下面积为1（100％） （二）、区间面积： x us 区间表示方法：μ±uσ u=1时，区间面积为68.25％ u=1.96时，区间面积为95% u=2.58时，区间面积为99％ 区间面积含义：
1、百分位数法：偏态分布，样本含量足够大 ⑴求正常成年人尿铅的95％的参考值范围 ⑵求正常成年男子肺活量的95％的参考值范围 单侧参考值范围
⑶求正常成年男子白细胞的95％的参考值范围 双侧参考值范围
公 共 卫 生 系
2、正态分布法：正态分布资料，样 本含量足够大
双侧：参考值范围公式：
X uS 单侧 ：参考值范围公式：
医学参考值范围的制定
公 （一）、概念： 共 医学参考值是指包括绝大多数“正常人” 卫 的各种生理及生化指标常数，也称正 常值。 生 由于存在个体差异，正常值并非为常数， 系 而是在一定范围内波动，医学上常用
95%或99%的分布范围作为判定正常 和异常的参考标准。
正态分布 (Normal distribution)
公 共 卫 生 系
一、概念： (Gauss分布)
总体分布
正态分布是描述连续型变量值的 分布，医学资料许多服从正态分 布。
直方图的频数分布与正态分布 （见图2-4）
 ø ª ½ ¿ È ¿ ¡ ¦ ¨ © ·¼ Ð ± Ó Õ Ê Í ² ¼ Á £ kg£ Ö ²
结论：正常成年女子血清总胆固醇95% 的参考值范围为2.78-5.34（mmol/l）
公 共 卫 生 系
图2-5 正态分布参数位置变化示意图
公 共 卫 生 系
图2-6 正态分布变异度不同变化示意图
三、正态曲线下面积规律
公 共 卫 生 系
（一）、正态分布曲线下面积为1（100％） （二）、区间面积： x us 区间表示方法：μ±uσ u=1时，区间面积为68.25％ u=1.96时，区间面积为95% u=2.58时，区间面积为99％ 区间面积含义：
1、百分位数法：偏态分布，样本含量足够大 ⑴求正常成年人尿铅的95％的参考值范围 ⑵求正常成年男子肺活量的95％的参考值范围 单侧参考值范围
⑶求正常成年男子白细胞的95％的参考值范围 双侧参考值范围
公 共 卫 生 系
2、正态分布法：正态分布资料，样 本含量足够大
双侧：参考值范围公式：
X uS 单侧 ：参考值范围公式：
医学参考值范围的制定
公 （一）、概念： 共 医学参考值是指包括绝大多数“正常人” 卫 的各种生理及生化指标常数，也称正 常值。 生 由于存在个体差异，正常值并非为常数， 系 而是在一定范围内波动，医学上常用
95%或99%的分布范围作为判定正常 和异常的参考标准。
正态分布完整ppt课件
正态性检验
使用如Shapiro-Wilk检验、Kolmogorov-Smirnov检验等方法，对 误差项进行正态性检验，以验证其是否符合正态分布。
方差分析中F分布应用
01 02
F分布的定义
F分布是一种连续型概率分布，常用于方差分析中的假设检验。在方差 分析中，通过比较不同组间的方差与组内方差，判断各因素对结果的影 响是否显著。
筛选方法
包括单变量分析和多变量分析等，结合临床 意义和统计学显著性进行生物标志物的筛选 。
社会科学调查数据分析
社会科学调查数据特点
大量、复杂、多维度的数据，往往需要进行统计分析和数据挖掘。
正态分布在社会科学调查数据分析中的应用
通过对调查数据进行正态性检验，选择合适的数据处理和分析方法，如参数检验、回归分析等。
有对称性和单峰性。
性质
对称性：正态分布曲线关于均值对称 。
单峰性：正态分布曲线只有一个峰值 ，位于均值处。
均值、中位数和众数相等。
概率密度函数在均值两侧呈指数下降 。
正态曲线特点
01
02
03
04
形状
钟形曲线，中间高，两边低。
对称性
关于均值对称，即左右两侧形 状相同。
峰值
位于均值处，且峰值高度由标 准差决定。
05
正态分布在金融学领域应用
风险评估及资产组合优化
风险评估
正态分布用于描述金融资产的收益和风险分布，通过计算均值和标准差来评估投资组合 的风险水平。
资产组合优化
基于正态分布假设，利用马科维茨投资组合理论等方法，构建最优资产组合以降低风险 并提高收益。
VaR（Value at Risk）计算
正态分布用于计算投资组合在一定置信水平下的最大可能损失（VaR），以衡量潜在风 险。
使用如Shapiro-Wilk检验、Kolmogorov-Smirnov检验等方法，对 误差项进行正态性检验，以验证其是否符合正态分布。
方差分析中F分布应用
01 02
F分布的定义
F分布是一种连续型概率分布，常用于方差分析中的假设检验。在方差 分析中，通过比较不同组间的方差与组内方差，判断各因素对结果的影 响是否显著。
筛选方法
包括单变量分析和多变量分析等，结合临床 意义和统计学显著性进行生物标志物的筛选 。
社会科学调查数据分析
社会科学调查数据特点
大量、复杂、多维度的数据，往往需要进行统计分析和数据挖掘。
正态分布在社会科学调查数据分析中的应用
通过对调查数据进行正态性检验，选择合适的数据处理和分析方法，如参数检验、回归分析等。
有对称性和单峰性。
性质
对称性：正态分布曲线关于均值对称 。
单峰性：正态分布曲线只有一个峰值 ，位于均值处。
均值、中位数和众数相等。
概率密度函数在均值两侧呈指数下降 。
正态曲线特点
01
02
03
04
形状
钟形曲线，中间高，两边低。
对称性
关于均值对称，即左右两侧形 状相同。
峰值
位于均值处，且峰值高度由标 准差决定。
05
正态分布在金融学领域应用
风险评估及资产组合优化
风险评估
正态分布用于描述金融资产的收益和风险分布，通过计算均值和标准差来评估投资组合 的风险水平。
资产组合优化
基于正态分布假设，利用马科维茨投资组合理论等方法，构建最优资产组合以降低风险 并提高收益。
VaR（Value at Risk）计算
正态分布用于计算投资组合在一定置信水平下的最大可能损失（VaR），以衡量潜在风 险。
正态分布
正态分布normal distribution正态分布一种概率分布。
正态分布是具有两个参数μ和σ2的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ2是此随机变量的方差，所以正态分布记作N(μ，σ2 )。
服从正态分布的随机变量的概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小；σ越小，分布越集中在μ附近，σ越大，分布越分散。
正态分布的密度函数的特点是：关于μ对称，在μ处达到最大值，在正（负）无穷远处取值为0，在μ±σ处有拐点。
它的形状是中间高两边低，图像是一条位于x轴上方的钟形曲线。
当μ＝0，σ2 ＝1时，称为标准正态分布，记为N（0，1）。
μ维随机向量具有类似的概率规律时，称此随机向量遵从多维正态分布。
多元正态分布有很好的性质，例如，多元正态分布的边缘分布仍为正态分布，它经任何线性变换得到的随机向量仍为多维正态分布，特别它的线性组合为一元正态分布。
正态分布最早由A.棣莫弗在求二项分布的渐近公式中得到。
C.F.高斯在研究测量误差时从另一个角度导出了它。
P.S.拉普拉斯和高斯研究了它的性质。
生产与科学实验中很多随机变量的概率分布都可以近似地用正态分布来描述。
例如，在生产条件不变的情况下，产品的强力、抗压强度、口径、长度等指标；同一种生物体的身长、体重等指标；同一种种子的重量；测量同一物体的误差；弹着点沿某一方向的偏差；某个地区的年降水量；以及理想气体分子的速度分量，等等。
一般来说，如果一个量是由许多微小的独立随机因素影响的结果，那么就可以认为这个量具有正态分布（见中心极限定理）。
从理论上看，正态分布具有很多良好的性质，许多概率分布可以用它来近似；还有一些常用的概率分布是由它直接导出的，例如对数正态分布、t分布、F分布等。
正态分布应用最广泛的连续概率分布，其特征是“钟”形曲线。
附：这种分布的概率密度函数为：（如右图）正态分布公式正态分布1.正态分布：若已知的密度函数（频率曲线）为正态函数（曲线）则称已知曲线服从正态分布，记号～。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
正态分布科技名词定义中文名称：正态分布英文名称：normal distribution 定义1：概率论中最重要的一种分布，也是自然界最常见的一种分布。
该分布由两个参数——平均值和方差决定。
概率密度函数曲线以均值为对称中线,方差越小，分布越集中在均值附近。
应用学科：生态学（一级学科）；数学生态学（二级学科）定义2：一种最常见的连续性随机变量的概率分布。
应用学科：遗传学（一级学科）；群体、数量遗传学（二级学科）以上内容由全国科学技术名词审定委员会审定公布求助编辑百科名片正态分布（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：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。
目录正态分布历史发展研究过程曲线应用频数分布医学参考值统计的理论基础正态分布历史发展研究过程曲线应用频数分布医学参考值统计的理论基础展开编辑本段正态分布正态分布的由来normal distribution 正态分布一种概率分布。
正态分布是具有两个参数μ和σ^2的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ^2是此随机变量的方差，所以正态分布记作N(μ，σ^2 )。
服从正态分布的随机变量的概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小；σ越小，分布越集中在μ附近，σ越大，分布越分散。
正态分布的密度函数的特点是：关于μ对称，在μ处达到最大值，在正（负）无穷远处取值为0，在μ±σ处有拐点。
它的形状是中间高两边低，图像是一条位于x轴上方的钟形曲线。
当μ=0，σ^2 =1时，称为标准正态分布，记为N（0，1）。
μ维随机向量具有类似的概率规律时，称此随机向量遵从多维正态分布。
多元正态分布有很好的性质，例如，多元正态分布的边缘分布仍为正态分布，它经任何线性变换得到的随机向量仍为多维正态分布，特别它的线性组合为一元正态分布。
正态分布最早由 A.棣莫弗在求二项分布的渐近公式中得到。
C.F.高斯在研究测量误差时从另一个角度导出了它。
P.S.拉普拉斯和高斯研究了它的性质。
生产与科学实验中很多随机变量的概率分布都可以近似地用正态分布来描述。
例如，在生产条件不变的情况下，产品的强力、抗压强度、口径、长度等指标；同一种生物体的身长、体重等指标；同一种种子的重量；测量同一物体的误差；弹着点沿某一方向的偏差；某个地区的年降水量；以及理想气体分子的速度分量，等等。
一般来说，如果一个量是由许多微小的独立随机因素影响的结果，那么就可以认为这个量具有正态分布（见中心极限定理）。
从理论上看，正态分布具有很多良好的性质，许多概率分布可以用它来近似；还有一些常用的概率分布是由它直接导出的，例如对数正态分布、t分布、F分布等。
正态分布应用最广泛的连续概率分布，其特征是“钟”形曲线。
正态分布公式附：这种分布的概率密度函数为：（如右图）正态分布 1.正态分布：若已知的密度函数（频率曲线）为正态函数（曲线）则称已知曲线服从正态分布，记号～。
其中μ、σ^2 是两个不确定常数，是正态分布的参数，不同的μ、不同的σ^2对应不同的正态分布。
正态曲线呈钟型，两头低，中间高，左右对称，曲线与横轴间的面积总等于1。
2．正态分布的特征：服从正态分布的变量的频数分布由μ、σ完全决定。
集中性：正态曲线的高峰位于正中央，即均数所在的位置。
对称性：正态曲线以均数为中心，左右对称，曲线两端永远不与横轴相交。
均匀变动性：正态曲线由均数所在处开始，分别向左右两侧逐渐均匀下降。
正态分布有两个参数，即均数μ和标准差σ，可记作N（μ，σ）：均数μ决定正态曲线的中心位置；标准差σ决定正态曲线的陡峭或扁平程度。
σ越小，曲线越陡峭；σ越大，曲线越扁平。
u变换：为了便于描述和应用，常将正态变量作数据转换。
μ是正态分布的位置参数，描述正态分布的集中趋势位置。
正态分布以X=μ为对称轴，左右完全对称。
正态分布的均数、中位数、众数相同，均等于μ。
σ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。
标准正态曲线标准正态曲线N（0，1）是一种特殊的正态分布曲线，以及标准正态总体在任一区间(a，b)内取值概率。
“小概率事件”和假设检验的基本思想“小概率事件”通常指发生的概率小于5%的事件，认为在一次试验中该事件是几乎不可能发生的。
这种认识便是进行推断的出发点。
关于这一点我们要有以下两个方面的认识：一是这里的“几乎不可能发生”是针对“一次试验”来说的，因为试验次数多了，该事件当然是很可能发生的；二是当我们运用“小概率事件几乎不可能发生的原理”进行推断时，我们也有5%的犯错误的可能。
正态曲线下面积分布1．实际工作中，正态曲线下横轴上一定区间的面积反映该区间的例数占总例数的百分比，或变量值落在该区间的概率（概率分布）。
不同范围内正态曲线下的面积可用公式计算。
2.几个重要的面积比例轴与正态曲线之间的面积恒等于1。
正态曲线下，横轴区间（μ-σ，μ+σ）内的面积为68.268949%，横轴区间（μ-1.96σ，μ+1.96σ）内的面积为95.449974%，横轴区间（μ-2.58σ，μ+2.58σ）内的面积为99.730020%。
标准正态曲线1．标准正态分布是一种特殊的正态分布，标准正态分布的μ和σ^2为0和1，通常用ξ（或Z）表示服从标准正态分布的变量，记为Z～N（0，1）。
2．标准化变换：此变换有特性：若原分布服从正态分布，则Z=(x-μ)/σ～N(0,1) 就服从标准正态分布,通过查标准正态分布表就可以直接计算出原正态分布的概率值。
故该变换被称为标准化变换。
3. 标准正态分布表：标准正态分布表中列出了标准正态曲线下从-∞到X(当前值）范围内的面积比例。
一般正态分布与标准正态分布的转化由于一般的正态总体其图像不一定关于y轴对称，对于任一正态总体，其取值小于x的概率。
只要会用它求正态总体在某个特定区间的概率即可。
“小概率事件”和假设检验的基本思想“小概率事件”通常指发生的概率小于5%的事件，认为在一次试验中该事件是几乎不可能发生的。
这种认识便是进行推断的出发点。
关于这一点我们要有以下两个方面的认识：一是这里的“几乎不可能发生”是针对“一次试验”来说的，因为试验次数多了，该事件当然是很可能发生的；二是当我们运用“小概率事件几乎不可能发生的原理”进行推断时，我们也有5%的犯错误的可能。
一般正态分布与标准正态分布的区别与联系正态分布也叫常态分布，是连续随机变量概率分布的一种，自然界、人类社会、心理和教育中大量现象均按正态形式分布，例如能力的高低，学生成绩的好坏等都属于正态分布。
标准正态分布是正态分布的一种，具有正态分布的所有特征。
所有正态分布都可以通过Z分数公式转换成标准正态分布。
两者特点比较：(1)正态分布的形式是对称的，对称轴是经过平均数点的垂线。
(2)中央点最高，然后逐渐向两侧下降，曲线的形式是先向内弯，再向外弯。
(3)正态曲线下的面积为1。
正态分布是一族分布，它随随机变量的平均数、标准差的大小与单位不同而有不同的分布形态。
标准正态分布是正态分布的一种，其平均数和标准差都是固定的，平均数为0，标准差为1。
（4）正态分布曲线下标准差与概率面积有固定数量关系。
所有正态分布都可以通过Z分数公式转换成标准正态分布。
主要特征1．集中性：正态曲线的高峰位于正中央，即均数所在的位置。
2．对称性：正态曲线以均数为中心，左右对称，曲线两端永远不与横轴相交。
3．均匀变动性：正态曲线由均数所在处开始，分别向左右两侧逐渐均匀下降。
4．正态分布有两个参数，即均数μ和标准差σ，可记作N（μ，σ）：均数μ决定正态曲线的中心位置；标准差σ决定正态曲线的陡峭或扁平程度。
σ越小，曲线越陡峭；σ越大，曲线越扁平。
5．u变换：为了便于描述和应用，常将正态变量作数据转换。
3σ原则正态分布曲线性质：1.当x<μ时，曲线上升;当x>μ时，曲线下降。
当曲线向左右两边无限延伸时，以x轴为渐近线。
2.正态曲线关于直线x=μ对称。
3.σ越大，正态曲线越扁平;σ越小，正态曲线越尖陡。
4.在正态曲线下方和x轴上方范围内区域面积为1。
3σ原则：P(μ-σ<X≤μ+σ)=68.3%P(μ-2σ<X≤μ+2σ)=95.4%P(μ-3σ<X≤μ+3σ)=99.7%编辑本段历史发展正态分布是最重要的一种概率分布。
正态分布概念是由德国的数学家和天文学家Moivre于1733年首次提出的，但由于德国数学家Gauss率先将其应用于天文学家研究，故正态分布又叫高斯分布，高斯这项工作对后世的影响极大，他使正态分布同时有了“高斯分布”的名称，后世之所以多将最小二乘法的发明权归之于他，也是出于这一工作。
高斯是一个伟大的数学家，重要的贡献不胜枚举。
但现今德国10马克的印有高斯头像的钞票，其上还印有正态分布的密度曲线。
这传达了一种想法：在高斯的一切科学贡献中，其对人类文明影响最大者，就是这一项。
在高斯刚作出这个发现之初，也许人们还只能从其理论的简化上来评价其优越性，其全部影响还不能充分看出来。
这要到20世纪正态小样本理论充分发展起来以后。
拉普拉斯很快得知高斯的工作，并马上将其与他发现的中心极限定理联系起来，为此，他在即将发表的一篇文章(发表于1810年）上加上了一点补充，指出如若误差可看成许多量的叠加，根据他的中心极限定理，误差理应有高斯分布。
这是历史上第一次提到所谓“元误差学说”——误差是由大量的、由种种原因产生的元误差叠加而成。
后来到1837年，海根(G.Hagen)在一篇论文中正式提出了这个学说。
其实，他提出的形式有相当大的局限性：海根把误差设想成个数很多的、独立同分布的“元误差”之和，每只取两值，其概率都是1/2，由此出发，按狄莫佛的中心极限定理，立即就得出误差(近似地)服从正态分布。
拉普拉斯所指出的这一点有重大的意义，在于他给误差的正态理论一个更自然合理、更令人信服的解释。
因为，高斯的说法有一点循环论证的气味：由于算术平均是优良的，推出误差必须服从正态分布；反过来，由后一结论又推出算术平均及最小二乘估计的优良性，故必须认定这二者之一(算术平均的优良性，误差的正态性) 为出发点。
但算术平均到底并没有自行成立的理由，以它作为理论中一个预设的出发点，终觉有其不足之处。