正态分布在生活中的应用
X班XX XX XXX
【部分名词解释】
正态分布：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σ^2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。
【引入】
正态分布是一个具有神秘色彩的分布。我们知道，对于某一件事或者某个要达到的目标，很多很多的个体发挥出来的水平大致上服从正态分布。也就是说，对于大量个体的发挥统计，常常能看到正态分布“冥冥之中”束缚着整体的状态。
对于某个单独的单位，一般来说，对于“发挥出来的水平”这件事，也往往有波动的效果，不管是机器、工具还是我们人本身：有的时候，超水平发挥了；有的时候正常发挥；有的时候又会发挥失常。这种东西应该也可以抽象为围绕期望水平的正态分布。
还有一个角度，如果有若干数据，包括发挥水平、排位情况，但是没有整体数据的时候，如果能推测是正态分布的情形，就可以近似计算出分布函数来，然后去估计其他的分布情况。这是反向推导的过程。
【大量个体的分布】
大量个体做同一件事，或者为同一目标去发挥，水平（成绩）分布近似为正态分布。既然正态分布在大量个体角度是许多单位为同一个目标去发挥的结果统计，我们就要对正常的“表现情况”进行统计，而忽略“各怀各的想法”的发挥统计。
首先要去进行统计来验证这个假设的正确性，也就是说，找一些许多人参与的事，看看水平分布情况。
这里是我们对104位06级男同学的跳远成绩的统计结果。根据上文所述的条件，“大量个体”在这里有104人；“同一目标”都是尽量向远处跳，应该是没有故意不好好干的情况。所以理论上应该符合正态分布。
2.2 2.43 2.3 2.28 2.15 2.15 2.46 2 2.54 2.39 2.46 2.54 2.27 2.24 2.15 2.29 2.3 2.55 2.28 2.48
2.19 2.35 2.5 2.16 2.38 2.45 2.65 2.38 2.2 2.1 2.5 2.28 2.55 2.24 2.38 2.26 2.4 2.42 2.17 2.24 2.16 2.3 2.17 2.47 2.35 2.38 2.43 2.37 2.43 2.28 2.17 2.42 2.37 2.25 2.53 2.23 2.14 2.27 2.18 2.7 2.3 2.37 2.37 2.23 2.7 2.36 2.19 2.57 2.27 2.26 2.37 2.55 2.46 2.35 2.26 2.32 2.45 2 2.6 2.29 2.47 2.57 2.3 2.17 2.58 2.27 2.33 2.55 2.24 2.45 2.17 2.28 2.22 2.35 2.12 2.33 2.17 2.23 2.45 2.02 2.24 2.32 2.42 2.3 （单位：米）。
将这些数据进行分段汇总，得到如下的统计表：
从这个表格来看，形状似乎相当符合正态分布。详细计算是：
平均数μ：2.333
标准差σ：0.147892
理论上——
第一段6人，第二段14人，第三段23人，第四段28人，第五段20人，第六段9人，第七段4人，和上表形状相符。所以说，大量个体成绩符合正态分布是正确的。
【单独个体多次实验的分布】
对于单独个体的多次实验，其结果理论上也应该符合正态分布。比如说，电脑上的360开机助手显示开机时间，在配置恒定不变、开机运行软件没有修改的前提下连续不断的开机，并且记录下开机速度水平，应该是满足单体的正态分布条件的。下面是某一台电脑多次开机测试的结果：
54 ；55；58；59；59；59；59；60；60；60；60；60；60；60；60；60；60；60；60；63；64；67；68（单位：秒）。
对应的统计图为：
这已经近似为正态分布，如果再进行更加多次的记录应该会有更加好的图形出现，但是目前的状况应该已经足以反映实际问题了。
从图中看，单体的多次表现在相同状况下符合正态分布，是正确的结论。
以上为没有情感的事物的调查结果。如果和生活中要有所结合，应该单独考虑人的成绩。比较好的实例是“没有感情因素干扰评分”的项目，这样就只有个体本身的发挥因素，变量比较单一，易于发现问题。
射击就是很好的例子。
以下为邱健在奥运步枪男子五十米三姿中的决赛成绩：
10.2 ；8.8 ；10.5 ；10.6；9.3 ；9.4 ；10.0；10.3；10.4 ；10.0 。
平均环数为99.5环，但是很明显绝大部分环数在这个数字之上，成绩中只有第二枪8.8环是严重偏低的，将整体水平明显拉下来了。这个应该属于“特殊情况”。
我认为，作为人，在多次发挥中出现“特殊情况”几率是不同于普通事物的。我们观察邱健的各次成绩可以发现，在第一枪10.2环但是第二枪打出8.8环的坏成绩之后，又连续出现10.5环、10.6环的超高分；在超高分之后，又出现了9.3环、9.4 环的偏低成绩，之后才趋于稳定。如果我们将上述数据进行“去除特殊值”的处理，也就是先去掉一个最高分，10.6环，再去掉一个最低分，8.8环，剩下的是：
10.2 ；10.5 ；9.3 ；9.4 ；10.0；10.3；10.4 ；10.0。
平均成绩10.01，并没有改变多少，但是很明显波动小了，也就是说后边的发挥逐渐稳定下来。反过来看，就是前边的发挥还不是特别稳定了。
其实很多比赛都有类似效果，最开始的成绩会比较大的波动，后边“振幅”（姑且这么称呼）变小，有点像阻尼振动。这个也好理解，非常有“人类特征”：出现坏成绩之后特别紧张，优秀运动员会谨慎的发挥，成绩猛的变好；变好之后稍微放松，又会使成绩略有下滑；很多局之后，大局逐渐明朗，心理稳定下来，成绩也基本稳定了。
当然，好的心理水平是优秀运动员的一大法宝，如果说心理水准也正态分布，应该也符合实际情况，就是说也存在好多的“心理不很稳定”的人，发挥失常之后就会连续失败，再也无力正常发挥。这种人的发挥水平随机性太大，就只能够进行不同时候的多次记录来统计了，单次连续实验意义不大，因为是“同一特殊心态下”的实验，而心态也是人类发挥的影响因素之一，同一心态下的实验多少次都不能说反映了正确结论。
这个要素相当值得注意。
【应用：胜负预测】
由上文的统计结果和逻辑分析我们可以得到这样的初步结论：能力预测不是很简单的事情，每次发挥出来的水平是在标准水平附近的一个近似的正态分布。所以说，胜负的比较，如果能够通过“发挥出来的水平”的“得分”计算的话，就可以使用正态分布进行处理了。
这里稍微解释一下什么叫通过“发挥出来的水平”的“得分”计算。我们看上文的统计对象，开机时间、射击成绩、跳远距离等等，都可以算是“各干各的”，最后“比较结果”（当然射击什么的会知道对手发挥的状况。这个归入心理因素就差不多是可以近似处理的了）。并没有像足球比赛、篮球比赛这样的对抗评比。所以，本文讨论之后的应用也应该以这样的项目为研究对象。
对于“各干各的”最后“比较结果”的比赛，我们先假设有两个不属于人类的事物，想赛马呀什么的都可以，标记为A 、B 。假如说A 的平均成绩比B 高，显然A 会有更大的胜算。但是真正要想比较胜负，那就是“在某一次比赛中，A 的成绩和B 的成绩比较”了。A 获胜，等价于A 发挥出某个成绩的同时，B 发挥出比这个低的水平。B 获胜就是反过来的状况。
当B 发挥到极限好的时候如果成绩仍然不如A 发挥到极限坏，那么B 的胜率显然为0。 这时我们假设出现了一个C ，C 的发挥特别的波动大，大到有些时候发挥出比A 的最坏成绩高，这样AC 竞争，C 就有大于零的胜算。但是平均水平比B 差，那么我们拿B 、C 较量的话，B 更有可能打败C 。
到这个时候，我们会发现这种现象：
B 比
C 强，A 比B 、C 都强，但是最弱小的C 却比强于他的B 更有可能打败A 。 在生活中，我们很少会承认这种事情的发生，但是，这是事实。
所以说这种比赛不是简单的数据比较现象。此类胜负的竞争，应该是“胜者不一定强”的结果。而且，胜率的相对大小不足以说明各自的绝对水平。
抽象至此，下边提供两个对象的胜负比较时使用的数值计算方法。 还是假设有A 、B 两个对象。
A 的平均水平是μa ，发挥成绩的分布近似为正态分布Fa(x)；
B 的平均水平是μb ，发挥成绩的分布近似为正态分布Fb(x)。这样，我们说：
B 相对A 的胜算计算方式： P{B 战胜A}
=P{B 发挥出比A 高的水平}
=Σp{B 发挥出比A 高的水平|A 发挥出ai 水平}*p{A 发挥出ai 水平} 考虑到A 、B 的理论上相互独立性，又有 上边
=Σp{B 发挥出比ai 高的水平}*p{A 发挥出ai 水平} 如果用积分表示，对于连续函数，有： B 的胜率
=P{B 战胜A}
=
??最高水平同水平与最高水平
最低水平
）（）（B B A A ai dxadxb xb fb xa fa
这是个二重积分。其中，外层积分小于零时取零。其中用到的各个因数可以通过很多很
多次发挥水平的统计求得，最高最低水平用“3σ法则”确定。
然后讨论对于人的应用。
人因为其特殊性，受到心态的干扰，而心态不一定受到正态分布的限制，还有，心理水平的不断变化，有人越磨难越坚强，有人越磨难越崩溃，所以这些情况无法推断。能用在人身上的是更大的近似，也差不多用上述方法处理，只不过函数的影响因素多一个“比赛次数”，因为波动性也是次数的函数。这个计算就太复杂了。如果强行近似，就和上文写的“非人类胜算计算”方法相似即可，不过，不确定度会比较大。
【应用：见微知著】
我们对于能够大致判断符合正态分布的一些数据，可以采用见微知著的方法，用少量个体推断其整体状态。虽然不太保证准确，但是也是很多时候相当需要的处理方法，值得加以研究。
很常见的数据就是平时开电脑的时候看到的360开机排位了。本次开机时间为多少多少秒，超过了百分之几的计算机，这里就提供了值X（开机时间）和超过的电脑比例（即Φ）。
通过（X-μ）/σ~N(0,1)的规律，我们近似的反向推导其分布函数。在这之前的准备工作是，先看看近似成正态分布对不对。这是根据一些数据绘制的图像：
其中横轴是开机时长，纵轴是对应的“超过电脑百分比”，这个图形差不多是符合正态分布的。所以，我们可以进一步进行处理。
根据上边的时间-比率对应关系，我们找到近似的分布函数参数。
反推分布函数的方法其实是近似方法，尤其是这里只是知道整数精度的排位，所以要多次计算并且求取近似水平。我们看50%附近的数值：
54s，超过51%；
55s，超过48%。
然后在课本的382页标准正态分布表查看各个百分比的x值区段，记录最大最小值。现在要求使尽可能多的数落到这个理论上的范围内。
结合其他的近似计算，可以发现在μ取54.2的时候，精度是比较令人满意的。
此时σ近似取15.5。
使用这两个数值进行计算，在excel中将时间作为x，从1写到100，第二列是（x-54.2）/15.5，得到一系列数字。将这一列数字和课本的标准正态分布表对比，如下面示例：（注：下面的是部分数据，因为有些秒数没有统计到，当然这才符合有预见性的特色）
时间（秒）超过的比例
（%）
使用近似参数结果
根据第三列通过课本给出数据
求得的标准结果（理论比例）
3 100 3.3032258065 99.95%
13 99 2.6580645161 99.61%
29 98 1.6258064516 94.84%
35 91 1.2387096774 89.25%
36 90 1.1741935484 87.90%
37 89 1.1096774194 86.65%
38 88 1.0451612903 85.31%
39 86 0.98064516129 83.65%
45 72 0.5935483871 72.24%
46 70 0.52903225806 70.19%
47 67 0.46451612903 67.72%
50 60 0.27096774194 60.64%
53 53 0.0774******** 53.19%
54 51 0.012903225806 50.40%
55 48 -0.0516******** 48.01%
从表中我们可以看到这种估计计算是比较合理的，尤其是从45秒处开始，近似度相当令人满意。这种十分粗略的处理方式能达到这种精确度已经证明了总方向的正确性，也就是说我们的猜测和方法基本正确。
到了这个时候，我们就大概可以“见微知著”的预测一些概率了。
同样道理，对于其他的很多数据，如果能较精确的反推分布函数的参数，就可以很快估计出整体状况，进行胜率等等的计算都很有用。
【应用实例：胜率】
下面讨论胜率计算公式的实际应用。
为了省事儿，我们还拿开机时间进行比较。下面的是电脑Z的开机时间：
次数时间
1 78
2 81
3 58
4 54
5 64
6 58
7 58
8 64
9 56
10 56
11 62
12 50
13 58
14 64
15 64
16 64
17 55
18 54
19 54
20 60
平均时间60.6秒，标准差7.492663078。
简单起见，我们假设有一个开机时间恒为58秒的电脑和Z比赛开机速度。求Z的胜率。
先从理论上进行计算：
通过公式，找（58-60.6）/7.49266=-0.347对应结果为36.32%
实际效果我们看上边数据小于58的即可。7组，结果是35%
这个结果是吻合得很好的。
下面看复杂的胜率情况。
当对手也有正态分布的发挥时，胜率又会是怎样的？
我们看新的电脑S：
次数时间
1 68
2 54
3 60
4 60
5 60
6 67
7 60
8 59
9 60
10 60
11 60
12 60
13 59
14 60
15 59
16 60
17 58
18 60
19 59
20 60
平均时间是60.15秒，比电脑Z快一点。下面计算电脑Z的胜率。
首先计算Z的平均值、标准差，上文已经有了，是
平均时间60.6秒，标准差7.492663078。
电脑S的是：
平均时间60.15秒，标准差2.797766967。 通过二重积分计算得到： Z 胜率为
dydx
y f x f x
??54.6876
.5138
)(2)(1
其中f1和f2是代入上边各自系数的正态分布函数。 结果约为40%。
实际比较可以发现20局一一对应的话，有11局获胜，胜率55%。平均比较慢的居然胜过平均比较快的，从前边看，电脑Z 的开机时间就是开始的几次慢，后边都不很慢，就是说那几个是特殊数据。但是，如果长时间大量实验，结果应该会更接近理论值。
我们如果去掉前两组，重新计算： Z ：58.5, 4.246 S ：60.06， 1.779 理论胜率：约60% 实际上：61%
这样就符合的好多了。看来，去除特殊情况也是在样本不很多的时候必须采用的方法。
再看去除特殊值后的第一种计算，固定开机时间定为58.99秒， 理论胜率：55% 实际61%
在仅有18次的实验中，有这样的近似很可以了。
【总结】
概率和正态分布在生活中是紧密相连的，另外，统计是不可忽视的重要工具。 很多结论不通过仔细思考就不容易得到，比如本文指出的很异乎寻常的规律： “B 比C 强，A 比B 、C 都强，但是最弱小的C 却比强于他的B 更有可能打败A 。” 就是要通过思考才能得到的。
本文反推函数系数的处理方法也是一种重要方法。最核心的计算公式：胜率计算，是很贴近生活的公式，应该会有广泛应用。
正态概率图(normal probability plot) 方法演变：概率图，分位数-分位数图( Q- Q) 概述 正态概率图用于检查一组数据是否服从正态分布。是实数与正态分布数据之间函数关系的散点图。如果这组实数服从正态分布，正态概率图将是一条直线。通常，概率图也可以用于确定一组数据是否服从任一已知分布，如二项分布或泊松分布。 适用场合 ·当你采用的工具或方法需要使用服从正态分布的数据时； ·当有50个或更多的数据点，为了获得更好的结果时。 例如： ·确定一个样本图是否适用于该数据； ·当选择作X和R图的样本容量，以确定样本容量是否足够大到样本均值服从正态分布时；·在计算过程能力指数Cp或者Cpk之前； ·在选择一种只对正态分布有效的假设检验之前。 实施步骤 通常，我们只需简单地把数据输入绘图的软件，就会产生需要的图。下面将详述计算过程，这样就可以知道计算机程序是怎么来编译的了，并且我们也可以自己画简单的图。 1将数据从小到大排列，并从1～n标号。 2计算每个值的分位数。i是序号： 分位数＝(i－0.5)/n 3找与每个分位数匹配的正态分布值。把分位数记到正态分布概率表下面的表A.1里面。然后在表的左边和顶部找到对应的z值。 4根据散点图中的每对数据值作图：每列数据值对应个z值。数据值对应于y轴，正态分位数z值对应于x轴。将在平面图上得到n个点。 5画一条拟合大多数点的直线。如果数据严格意义上服从正态分布，点将形或一条直线。将点形成的图形与画的直线相比较，判断数据拟合正态分布的好坏。请参阅注意事项中的典型图
形。可以计算相关系数来判断这条直线和点拟合的好坏。 示例 为了便于下面的计算，我们仅采用20个数据。表5. 12中有按次序排好的20个 值，列上标明“过程数据”。 下一步将计算分位数。如第一个值9，计算如下： 分位数＝(i－0.5)/n＝(1－0.5)/20＝0.5/20＝0.025 同理，第2个值，计算如下： 分位数＝(i－0.5)/n＝(2－0.5)/20＝1.5/20＝0.075 可以按下面的模式去计算：第3个分位数=2.5÷20，第4个分位数＝3 5÷20 以此类推直到最后1个分位数＝19. 5÷20。 现在可以在正态分布概率表中查找z值。z的前两 个阿拉伯数字在表的最左边一列，最后1个阿拉伯数 字在表的最顶端一行。如第1个分位数＝0. 025，它位 于－1.9在行与0.06所在列的交叉处，故z＝－1.96。 用相同的方式找到每个分位数。 如果分位数在表的两个值之间，将需要用插值法 进行求解。例如：第4个分位数为0. 175，它位于0.1736 与0.1762之间。0.1736对应的z值为－0.94，0.1762 对应的z值为－0.93，故 这两数的中间值为z＝－0.935。 现在，可以用过程数据和相应的z值作图。图表5. 127显示了结果和穿过这些点的直线。注意：在图形的两端，点位于直线的上侧。这属于典型的右偏态数据。图表5.128显示了数据的直方图，可进行比较。 概率图( probability plot) 该方法可以用于检验任何数据的已知分布。这时我们不是在正态分布概率表中查找分位数，而是在感兴趣的已知分布表中查找它们。 分位数-分位数图（quantile-quantile plot） 同理，任意两个数据集都可以通过比较来判断是否服从同一分布。计算每个分布的分位数。一个数据集对应于x轴，另一个对应于y轴。作一条45°的参照线。如果这两个数据集来自同一分布，那么这些点就会靠近这条参照线。 注意事项 ·绘制正态概率图有很多方法。除了这里给定的程序以外，正态分布还可以用概率和百分数来表示。实际的数据可以先进行标准化或者直接标在x轴上。 ·如果此时这些数据形成一条直线，那么该正态分布的均值就是直线在y轴截距，标准差就是直线斜率。 ·对于正态概率图，图表5.129显示了一些常见的变形图形。 短尾分布：如果尾部比正常的短，则点所形成的图形左边朝直线上方弯曲，右边朝直线下方弯曲——如果倾斜向右看，图形呈S型。表明数据比标准正态分布时候更加集中靠近均值。 长尾分布：如果尾部比正常的长，则点所形成的图形左边朝直线下方弯曲，右边朝直线上方弯曲——如果倾斜向右看，图形呈倒S型。表明数据比标准正态分布时候有更多偏离的数据。
幻灯片1 正态分布 第二章 第七节 一、标准正态分布的密度函数 二、标准正态分布的概率计算 三、一般正态分布的密度函数 四、正态分布的概率计算幻灯片2 正态分布的重要性正态分布是概率论中最重要的分布, 这能够由 以下情形加以说明: ⑴ 正态分布是自然界及工程技术中最常见的分布之一, 大量的随机现象都是服从或近似服从正态分布的．能够证明, 如果一个随机指标受到诸多因素的影响, 但其中任何一个因素都不起决定性作用, 则该随机指标一定服从或近似服从正态分布． 这些性质是其它 ⑵ 正态分布有许多良好的性质, 许多分布所不具备的． ⑶ 正态分布能够作为许多分布的近似分布．幻灯片3 －标准正态分布下面我们介绍一种最重要的正态分布 一、标准正态分布的密度函数若连续型随机变量X 的密度函数为定义 则称X 服从标准正态分布,
记为标准正态分布是一种特别重要的它的密度函数经常被使用, 分布。 幻灯片4 密度函数的验证 则有 ( 2) 根据反常积分的运算有能够推出 幻灯片5 标准正态分布的密度函数的性质若随机变量 , X 的密度函数为 则密度函数的性质为: 的图像称为标准正态( 高斯) 曲线幻灯片6 随机变量 由于 由图像可知, 阴影面积为概率值。对同一长度的区间 , 若这区间越靠近 其对应的曲边梯形面积越大。标准正态分布的分布规律时”中间多, 两头少” . 幻灯片7 二、标准正态分布的概率计算 1、分布函数分布函数为幻灯片8 2、标准正态分布表书末附有标准正态分布函数数值表, 有了它, 能够解决标准正态分布的概率计算.表中给的是x > 0时，①(x)的值. 幻灯片9 如果由公式得令则幻灯片10
2．4正态分布 复习引入： 总体密度曲线:样本容量越大，所分组数越多，各组的频率就越接近于总体在相应各组取值的概率．设想样本容量无限增大，分组的组距无限缩小，那么频率分布直方图就会无限接近于一条光滑曲线,这条曲线叫做总体密度曲线． 总体密度曲线 b 单位 O 频率/组距 a 它反映了总体在各个范围内取值的概率．根据这条曲线，可求出总体在区间(a，b)内取值的概率等于总体密度曲线，直线x=a，x=b及x轴所围图形的面积． 观察总体密度曲线的形状，它具有“两头低，中间高，左右对称”的特征，具有这种特征的总体密度曲线一般可用下面函数的图象来表示或近似表示： 2 2 () 2 , 1 (),(,) 2 x x e x μ σ μσ ? πσ - - =∈-∞+∞ 式中的实数μ、)0 (> σ σ是参数，分别表示总体的平均数与标准差，, ()x μσ ? 的图象为正态分布密度曲线,简称正态曲线． 讲解新课：
一般地，如果对于任何实数a b <，随机变量X 满足 ,()()b a P a X B x dx μσ?<≤=?, 则称 X 的分布为正态分布（normal distribution ) ．正态分布完全由参数μ和σ确定，因此正态分布常记作),(2 σ μN ．如果随机变量 X 服从正态分布，则记为X ～),(2σμN . 经验表明，一个随机变量如果是众多的、互不相干的、不分主次的偶然因素作用结果之和，它就服从或近似服从正态分布．例如，高尔顿板试验中，小球在下落过程中要与众多小木块发生碰撞，每次碰撞的结果使得小球随机地向左或向右下落，因此小球第1次与高尔顿板底部接触时的坐标 X 是众多随机碰撞的结果，所以它近似服从正态分布．在现实生活中，很多随机变量都服从或近似地服从正态分布．例如长度测量误差；某一地区同年龄人群的身高、体重、肺活量等；一定条件下生长的小麦的株高、穗长、单位面积产量等；正常生产条件下各种产品的质量指标（如零件的尺寸、纤维的纤度、电容器的电容量、电子管的使用寿命等）；某地每年七月份的平均气温、平均湿度、降雨量等；一般都服从正态分布．因此，正态分布广泛存在于自然现象、生产和生活实际之中．正态分布在概率和统计中占有重要的地位． 说明:1参数μ是反映随机变量取值的平均水平的特征数，可以用样本均值去佑计；σ是衡量随机变量总体波动大小的特征数，可以用样本标准差去估计． 2.早在 1733 年，法国数学家棣莫弗就用n ！的近似公式得到了正态分布．之后，德国数学家高斯在研究测量误差时从另一个角度导出了它，并研究了它的性质，因此，人们也称正态分布为高斯分布． 2．正态分布),(2 σ μN ）是由均值μ和标准差σ唯一决定的分布 通过固定其中一个值，讨论均值与标准差对于正态曲线的影响
数学期望：随机变量最基本的数学特征之一。它反映随机变量平均取值的大小。又称期望或均值。它是简单算术平均的一种推广。例如某城市有10万个家庭，没有孩子的家庭有1000个，有一个孩子的家庭有9万个，有两个孩子的家庭有6000个，有3个孩子的家庭有3000个，则此城市中任一个家庭中孩子的数目是一个随机变量，记为X，它可取值0，1，2，3，其中取0的概率为0.01，取1的概率为0.9，取2的概率为0.06，取3的概率为0.03，它的数学期望为0×0.01＋1×0.9＋2×0.06＋3×0.03等于1.11，即此城市一个家庭平均有小孩1.11个，用数学式子表示为：E(X)=1.11。 也就是说，我们用数学的方法分析了这个概率性的问题，对于每一个家庭，最有可能它家的孩子为1.11个。 可以简单的理解为求一个概率性事件的平均状况。 各种数学分布的方差是： 1、一个完全符合分布的样本 2、这个样本的方差 概率密度的概念是：某种事物发生的概率占总概率(1)的比例,越大就说明密度越大。比如某地某次考试的成绩近似服从均值为80的正态分布，即平均分是80分，由正态分布的图形知x=80时的函数值最大，即随机变量在80附近取值最密集，也即考试成绩在80分左右的人最多。 下图为概率密度函数图(F(x)应为f(x)，表示概率密度)：
离散型分布：二项分布、泊松分布 连续型分布：指数分布、正态分布、X 2分布、t 分布、F 分布 抽样分布只与自由度，即样本含量（抽样样本含量）有关 二项分布（binomial distribution ）：例子抛硬币 1、 重复试验（n 个相同试验，每次试验两种结果，每种结果概率恒定————伯努利试验） 2、 抽样分布
参考医学 正态分布概率表 1 — f? 0( u )= t P⑴t F(t)t F(0t卩⑴0.00 0.000 00.230. 181 9 0.46 0.354 5 W9 0. 50 9 8 0.01 0.008 00.24 0. 1H9 70.47 0.361 6 0.70 0,516 1 0+02 0,0160 0. 25 0,197 4 0,48 0.368 80+71 0.522 3 0.03 0*023 9(1. 26 0.205 1 0.49 0.375 9 0.72 0. 52 8 5 044 0.031 9(1.27 0,212 8 0.50O.3R2 9 0.73 "4 6 0R5 0039 90.28 0.220 5 0,51 0.389 9 0.74 0.540 7 0.06 0.047 80.29 0.228 20.52 036 9 0.75 0*546 7 0+07 0 €55 g0,30 0,235 8 0,53 0.403 9 276 0.552 7 0+08 0.063 80 31 0.243 4 0.54 0.410 8 0+77 0.558 7 0+09 (1.(171 7(J. 32 0.251 00.55 0.417 70.78 0.564 6 0. 10 0.0797 fl. 33 0.258 6 0.56 0,424 50.79 0.570 5 0.110,(J87 60.34 0.266 1 0.57 0.431 3 0.B0 0.576 3 0.12 0.09$ 50. 35 0.273 7 0.5S 0.43S 10.S1 O.5S2 1 0+13 OJ03 40. 36 0.281 20.59 0.444 8 0+82 0.587 8 0+14 (1.111 3 0. 37 0.288 6 0.60 0.451 5 M3 0.593 5 0.15 0J19 2 0. 38 0.296 1 0.61 0.458 10.84 0.599 1 0+160.127 10.39 0. 303 50.62 0.464 7 0.85 0.604 7 0.17 0.135 0 040 0330 8 0.63 0.471 3 0.S6 0.610 2 0+18 0.142 S0.41 0.318 20,64 0.477 8 0.87 0.6157 0+19 0.150 7 0 42 0, 325 50.650.484 3 0.88 0.621 1 0,20 0J58 5(J. 43 0. 332 8 0.66 0.490 10.89 0 . 62 6 5 0,21 0J66 3(J.44 0,340 1 0.67 0.497 10.90 0.631 9 0 + 220.174 10.45 0347 3 0.68 0.503 50.91 0.637 2
信息系统项目管理师重点知识点：完工概率计算总结 例图： 活动BCD的乐观(m)工期都是9天，最可能(o)工期为12天，最悲观(p)工期都是15天，那么在14天内完成单项活动的概率和完成全部这三项活动的概率是多少 首先计算平均工期（PERT）：公式－－（乐观时间+4*最可能时间+悲观时间）/ 6 (9+4*12+15)/6=12天； 其次计算标准差：公式－－（悲观时间-乐观时间）/ 6 ； (15-9)/6=1天 再计算偏离平均工期：方法－－[给出的天数计算（14）－计算出来的平均工期(12)]/标准差(1) (14-12)/1=2 备注：此时得出来的为几,之后就是使用几西格玛 (Sigma)(1σ=68,37%)(2σ=95.46%)(3σ=99.73%)(6σ=99.99966%百万分之三点四) 计算每一项活动在14天内完工的概率是：方法－－正态分布概率+西格玛/偏离平均工期数 50%+95.46%/2=97.73% 备注：50%参考正态分布图，95.46参考2西格玛值； 计算全部活动在14天内完工概率是：方法－－每一项活动的概率相乘 97.73%*97.73%*97.73%＝93.34% 下图为简要正态分布图：
备注：正态分布有50%成功，有50%不成功 如计算将上面的14天，修改为13天； 偏离平均工期就是1天，计算方法：(13-12)/1=1天，则应该使用1西格玛； 计算每一项活动在13天内完工的概率是：方法－－正态分布概率+西格玛/偏离平均工期数 50%+68.37%/2=84.19% 备注：50%参考正态分布图，68.37参考1西格玛值； 计算全部活动在13天内完工概率是：方法－－每一项活动的概率相乘 84.19%*84.19%*84.19%＝59.67% 如果计算为11－15天的概率：最小值的概率+最大值的概率 68.37/2+99.75/2=84.06%
正态分布的推导 斯特林(Stirling)公式的推导 斯特林（Stirling）公式： 这个公式的推导过程大体来说是先设一个套，再兜个圈把结果套进来，同时把公式算出来。Stirling太强了。 1，Wallis公式 证明过程很简单，分部积分就可以了。 由x的取值可得如下结论： 即 化简得 当k无限大时，取极限可知中间式子为1。所以
第一部分到此结束，k!被引入一个等式之中。 2，Stirling公式的求解 继续兜圈。 关于lnX的图像的面积，可以有三种求法，分别是积分，内接梯形分隔，外切梯形分隔。分别是： 显然， 代入第一部分最后公式得
（注：上式中第一个beta为平方） 所以得公式： 正态分布推导 在一本俄国的概率教材上看到以下一段精彩的推导，才知道原来所谓正态分布并不是哪位数学家一拍脑门想起来的。记得大学时的教材上只告诉了我们在抽样实验中当样本总量很大时，随机变量就服从正态分布，至于正态分布是怎么来的一点都不提。大学之前，我始终坚信数学是世界上最精致的艺术。但是上了大学之后，发现很多数学上很多问题教材中都是语焉不详，而且很多定义没有任何说明的就出来了，就像一致连续，一致收敛之类的，显得是那么的突兀。这时候数学就像数学老师一样蛮横，让我对数学极其反感，足足有四年之久。只到前些日子，在CSDN上读到孟岩的一篇并于矩阵的文章，才重新对数学发生兴趣。最近又读到了齐民友所写的《重温微积分》以及施利亚耶夫所写的《概率》，才知道原来每一个定义，和每一个定理都有它的价值和意义。 前几天在网上遇到老文，小小的探讨了一下这个问题，顺便问起他斯特林公式的证明过程。他说碰巧最近很是在研究这个公式，就写出来放在百度上以供来者瞻仰吧。于是就有了这篇文章： 斯特林(Stirling)公式的推导 如果哪位在读本篇之前想要知道斯特林公式是怎么来的，请阅读之。 本来是想和老文一块发的，怎奈一个小小的公式编辑器让我费了两个晚上才搞定。于是直至今日，方才有这篇小文字。 本篇是斯特林公式的一个应用。本篇的推导全部抄自施利亚耶夫著《概率》，本文的证明完成了棣莫弗——拉普拉斯定理推导的前半部分，后半部分以及其与伯努利大数定律的关系在以后再往上贴吧。其实也不是很难，自己动动手也是能推出来的。 这次推导可以说是“连续性随机变量”第一次出现在该书中，作为理解连续性随机变量的基础，正态分布是十分重要的。 斯特林公式： 根据斯特林公式,
利用Excel的NORMSDIST函数建立正态 分布表 董大钧，乔莉 沈阳理工大学应用技术学院、信息与控制分院，辽宁抚顺113122 摘要：利用Excel办公软件特有的NORMSDIST函数可以很准确方便的建立正态分布表、查找某分位数点的正态分布概率值,极大的提高了数理统计的效率。该函数可返回指定平均值和标准偏差的正态分布函数，将其引入到统计及数据分析处理过程中，代替原有的手工查找正态分布表，除具有直观、形象、易用等特点外,更增加了动态功能,极大提高了工作效率及准确性。 关键词：Excel；正态分布；函数；统计 引言 正态分布是应用最广泛的连续概率分布，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，某种产品的张力、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。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。在科学研究及数理统计计算过程中，人们往往要通过某本概率统计教材附录中的正态分布表去查找，非常麻烦。若手头有计算机，并安装有Excel软件，就可以利用Excel的NORMSDIST( x )函数进行计算某分位数点的正态分布概率值，或建立一个正态分布表，准确又方便。 1 正态分布及其应用 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N(μ，σ2 )。则其概率密度
Generated by Foxit PDF Creator ? Foxit Software https://www.doczj.com/doc/b41523473.html, For evaluation only.
图 62正态分布概率密度函数的曲线 正态曲线可用方程式表示。 n 当 →∞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：
fx= （61 ） () .6
式中： x—所研究的变数； fx —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 31 .4 19……； e— 常数，等于 2788……； μ 为总体参数，是所研究总体 5 .12 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 )， “具 ( 读作 2 平均数为 μ，方差为 δ 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 62。 （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 61 ） （ .6 所得的 fx 是相等的， () 即在平均数 μ 的左方或右方，只要距离相等，其 fx 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。
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 3.14 159 ……； 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δ 2 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+ ∞。 4 、正态曲线是由μ和δ两个参数来确定的，其中μ确定曲线在 x 轴上的位置 [ 图 6-3] ，δ确定它的变异程度 [ 图 6-4] 。μ和δ不同时，就会有不同的曲线位置和变异程度。所以，正态分布曲线不只是一条曲线，而是一系列曲线。任何一条特定的正态曲线只有在其μ和δ确定以后才能确定。 5 、正态分布曲线是二项分布的极限曲线，二项分布的总概率等于 1 ，正态分布与 x 轴之间的总概率（所研究总体的全部变量出现的概率总和）或总面积也应该是等于 1 。而变量 x 出现在任两个定值 x1到x2(x1≠x2)之间的概率，等于这两个定值之间的面积占总面积的成数或百分比。正态曲线的任何两个定值间的概率或面积，完全由曲线的μ和δ确定。常用的理论面积或概率如下： 区间μ ± 1 δ面积或概率 =0.6826 μ ± 2 δ =0.9545 μ ± 3 δ=0.9973 μ± 1.960δ=0.9500 μ ±2.576 δ =0.9900
正态分布讲解含标准表 Revised by Jack on December 14,2020
2．4正态分布 复习引入： 总体密度曲线:样本容量越大，所分组数越多，各组的频率就越接近于总体在相应各组取值的概率．设想样本容量无限增大，分组的组距无限缩小，那么频率分布直方图就会无限接近于一条光滑曲线,这条曲线叫做总体密度曲线． 它反映了总体在各个范围内取值的概率．根据这条曲线，可求出总体在区间(a ，b )内取值的概率等于总体密度曲线，直线x =a ，x =b 及x 轴所围图形的面积． 观察总体密度曲线的形状，它具有“两头低，中间高，左右对称”的特征，具有这种特征的总体密度曲线一般可用下面函数的图象来表示或近似表示： 式中的实数 μ、)0(>σσ是参数，分别表示总体的平均数与标准差，,()x μσ ?的图象为正态分布密度曲 线,简称正态曲线． 讲解新课： 一般地，如果对于任何实数a b <，随机变量X 满足 ,()()b a P a X B x dx μσ?<≤=?, 则称 X 的分布为正态分布（normal distribution ) ．正态分布完全由参数μ和σ确定，因此正态分布常记作 ),(2σμN ．如果随机变量 X 服从正态分布，则记为X ～),(2σμN . 经验表明，一个随机变量如果是众多的、互不相干的、不分主次的偶然因素作用结果之和，它就服从或近似服从正态分布．例如，高尔顿板试验中，小球在下落过程中要与众多小木块发生碰撞，每次碰撞的结果使得小球随机地向左或向右下落，因此小球第1次与高尔顿板底部接触时的坐标 X 是众多随机碰撞的结果，所以它近似服从正态分布．在现实生活中，很多随机变量都服从或近似地服从正态分布．例如长度测量误差；某一地区同年龄人群的身高、体重、肺活量等；一定条件下生长的小麦的株高、穗长、单位面积产量等；正常生产条件下各种产品的质量指标（如零件的尺寸、纤维的纤度、电容器的电容量、电子管的使用寿命等）；某地每年七月份的平均气温、平均湿度、降雨量等；一般都服从正态分布．因此，正态分布广泛存在于自然现象、生产和生活实际之中．正态分布在概率和统计中占有重要的地位． 说明:1参数μ是反映随机变量取值的平均水平的特征数，可以用样本均值去佑计；σ是衡量随机变量总体波动大小的特征数，可以用样本标准差去估计． 2.早在 1733 年，法国数学家棣莫弗就用n ！的近似公式得到了正态分布．之后，德国数学家高斯在研究测量误差时从另一个角度导出了它，并研究了它的性质，因此，人们也称正态分布为高斯分布． 2．正态分布),(2 σ μN ）是由均值μ和标准差σ唯一决定的分布 3．通过对三组正态曲线分析，得出正态曲线具有的基本特征是两头底、中间高、左右对称 正态曲线的作图，书 中没有做要求，教师也不必补上 讲课时教师可以应用几何画板，形象、美观地画出三条正态曲线的图形，结合前面 均值与标准差对图形的影响，引导学生观察总结正态曲线的性质 4．正态曲线的性质： （1）曲线在x 轴的上方，与x （2）曲线关于直线x=μ对称 （3）当x=μ时，曲线位于最高点
解读Minitab的正态概率图 已有371 次阅读2009-11-5 20:41 |个人分类:Minitab|关键词:Minitab 在DOE、Regression、统计检定时常需要用到正态分布的假设，检定一组数据是否取自正态分布，进行常态性检定最简单方法就是采用正态概率图。 最近很多贴文询问Minitab正态概率图的坐标系统、意义与手工绘制等议题，因涉及分配概率图的理解与使用，因此撰文剖析，如下图是以一组14个样本数据所画的正态概率图 本图原始数据，经排序后如下 34，35，36，37，38，39，40，40，41，42，43，44，45，46 图上有5个注解，依序说明之 注解1：Probability Plot of x，表示此图是一组数据，放在名为x的栏位上，下方有Normal 表示本项检定的H0是Normal –正态分布，当然H1就是非正态分布 注解2：Mean 40表示数据平均值，StDev 3.742(计算结果3.74166)表示数据标准差，N 14表示数据数，这些计算式依据一般基本统计的公式计算而得 注解3：蓝色直线是画在正态分布机率图纸上，是一条参考线，以判断是否H0成立 详细解说如下 1)鼠标移到Minitab蓝色直线上，就会出现如下图中的黄底的Percent与x数值表
2) Percent与x数值表中，Percent为正态分布累积分配函数(CDF)，数值是介于0与1之间，表上数值为%值，习惯上是以F(x)表式之，而x为F(x)的反函数 3)若直接以Percent与x( inv F(x))数值表作散布图不会得到依直线，而是S型曲线 4)在Percent与x( inv F(x))数值表多加一栏z，其值为x( inv F(x))的标准化，z=( inv F(x)) –40)/3.74166 5)以x( inv F(x))为横轴，z为纵轴作散布图+回归线，可得一直线，将每个点以Percent作为数据卷标 6)隐藏纵轴z，改用Percent的数据标签，就是一般的正态概率图纸 ** 此处须要另文说明解读正态概率图-正态概率图纸的秘密** 注解4：红色散布图图点是将样本数据排序后，以median rank估计出该点的CDF值，根据CDF数值求出标准正态分布的反函数z值，再以x vs z绘出散布图(参考注解3) ** 此处须要另文说明解读正态概率图-绘制小样本数据检验常态性** 注解5：Anderson-Darling常态性检定以辅助图型判断 ** 此处须要另文说明解读正态概率图- Anderson-Darling检定** 延伸阅读： 用Excel做简易的正态概率图(Normal probability plot)例
正态分布概念及图表 正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution），最早由A·棣莫弗在求二项分布的渐近公式中得到。.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。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。 正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。 若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。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。当μ = 0,σ = 1时的正态分布是标准正态分布。 目录 1历史发展 2定理 3定义 ?一维正态分布 ?标准正态分布 4性质 5分布曲线
?图形特征 ?参数含义 6研究过程 7曲线应用 ?综述 ?频数分布 ?综合素质研究 ?医学参考值 历史发展 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。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（）在一篇论文中正式提出了这个学说。
附表：标准正态分布累积概率函数表 当)(0x N x 时≤表 这个表表示了当)(0x N x 时≤的值。使用这张表时可与内插法结合起来使用。例如： )]13.0()12.0([34.0)12.0()1234.0(-----=-N N N N 4509 .0)4483.04522.0(34.04522.0=-?-= x .00 .01 .02 .03 .04 .05 .06 .07 .08 .09 -0.0 -0.1 -0.2 -0.3 -0.4 0.5000 0.4602 0.4207 0.3821 0.3446 0.4960 0.4562 0.4168 0.3783 0.3409 0.4920 0.4522 0.4129 0.3745 0.3372 0.4880 0.4483 0.4090 0.3707 0.3336 0.4840 0.4443 0.4052 0.3669 0.3300 0.4801 0.4404 0.4013 0.3632 0.3264 0.4761 0.4364 0.3974 0.3594 0.3228 0.4621 0.4325 0.3936 0.3557 0.3192 0.4681 0.4286 0.3897 0.3520 0.3156 0.4641 0.4247 0.3859 0.3483 0.3121 -0.5 -0.6 -0.7 -0.8 -0.9 0.3085 0.2743 0.2420 0.2119 0.1841 0.3050 0.2709 0.2389 0.2090 0.1814 0.3015 0.2676 0.2358 0.2061 0.1788 0.2981 0.2643 0.2327 0.2033 0.1762 0.2946 0.2611 0.2296 0.2005 0.1736 0.2912 0.2578 0.2266 0.1977 0.1711 0.2877 0.2546 0.2236 0.1949 0.1685 0.2843 0.2514 0.2206 0.1922 0.1660 0.2810 0.2483 0.2177 0.1894 0.1635 0.2776 0.2451 0.2148 0.1867 0.1611 -1.0 -1.1 -1.2 -1.3 -1.4 0.1587 0.1357 0.1151 0.0968 0.0808 0.1562 0.1335 0.1131 0.0951 0.0793 0.1539 0.1314 0.1112 0.0934 0.0778 0.1515 0.1292 0.1093 0.0918 0.0764 0.1492 0.1271 0.1075 0.0901 0.0749 0.1469 0.1251 0.1056 0.0885 0.0735 0.1446 0.1230 0.1038 0.0869 0.0721 0.1423 0.1210 0.1020 0.0853 0.0708 0.1401 0.1190 0.1003 0.0838 0.0694 0.1379 0.1170 0.0985 0.0823 0.0681 -1.5 -1.6 -1.7 -1.8 -1.9 0.0668 0.0548 0.0446 0.0359 0.0287 0.0655 0.0537 0.0436 0.0351 0.0281 0.0643 0.0526 0.0427 0.0344 0.0274 0.0630 0.0516 0.0418 0.0336 0.0268 0.0618 0.0505 0.0409 0.0329 0.0262 0.0606 0.0495 0.0401 0.0322 0.0256 0.0594 0.0485 0.0392 0.0314 0.0250 0.0582 0.0475 0.0384 0.0307 0.0244 0.0571 0.0465 0.0375 0.0301 0.0239 0.0559 0.0455 0.0367 0.0294 0.0233 -2.0 -2.1 -2.2 -2.3 -2.4 0.0228 0.0179 0.0139 0.0107 0.0082 0.0222 0.0174 0.0136 0.0104 0.0080 0.0217 0.0170 0.0132 0.0102 0.0078 0.0212 0.0166 0.0129 0.0099 0.0075 0.0207 0.0162 0.0125 0.0096 0.0073 0.0202 0.0158 0.0122 0.0094 0.0071 0.0197 0.0154 0.0119 0.0091 0.0069 0.0192 0.0150 0.0116 0.0089 0.0068 0.0188 0.0146 0.0113 0.0087 0.0066 0.0183 0.0143 0.0110 0.0084 0.0064 -2.5 -2.6 -2.7 -2.8 -2.9 0.0062 0.0047 0.0035 0.0026 0.0019 0.0060 0.0045 0.0034 0.0025 0.0018 0.0059 0.0044 0.0033 0.0024 0.0018 0.0057 0.0043 0.0032 0.0023 0.0017 0.0055 0.0041 0.0031 0.0023 0.0016 0.0054 0.0040 0.0030 0.0022 0.0016 0.0052 0.0039 0.0029 0.0021 0.0015 0.0051 0.0038 0.0028 0.0021 0.0015 0.0049 0.0037 0.0027 0.0020 0.0014 0.0048 0.0036 0.0026 0.0019 0.0014 -3.0 -3.1 -3.2 -3.3 -3.4 0.0014 0.0010 0.0007 0.0005 0.0003 0.0013 0.0009 0.0007 0.0005 0.0003 0.0013 0.0009 0.0006 0.0005 0.0003 0.0012 0.0009 0.0006 0.0004 0.0003 0.0012 0.0008 0.0006 0.0004 0.0003 0.0011 0.0008 0.0006 0.0004 0.0003 0.0011 0.0008 0.0006 0.0004 0.0003 0.0011 0.0008 0.0005 0.0004 0.0003 0.0010 0.0007 0.0005 0.0004 0.0003 0.0010 0.0007 0.0005 0.0003 0.0002 -3.5 -3.6 -3.7 -3.8 -3.9 -4.0 0.0002 0.0002 0.0001 0.0001 0.0000 0.0000 0.0002 0.0002 0.0001 0.0001 0.0000 0.0000 0.0002 0.0001 0.0001 0.0001 0.0000 0.0000 0.0002 0.0001 0.0001 0.0001 0.0000 0.0000 0.0002 0.0001 0.0001 0.0001 0.0000 0.0000 0.0002 0.0001 0.0001 0.0001 0.0000 0.0000 0.0002 0.0001 0.0001 0.0001 0.0000 0.0000 0.0002 0.0001 0.0001 0.0001 0.0000 0.0000 0.0002 0.0001 0.0001 0.0001 0.0000 0.0000 0.0002 0.0001 0.0001 0.0001 0.0000 0.0000 附表：当0≥x 时)(x N 表 这个表表示了当0≥x 时)(x N 的值。使用这张表时可与内插法结合起来使用。例如： )]62.0()63.0([78.0)62.0()6278.0(N N N N -+= 7350 .0)7324.07357.0(78.07324.0=-?+=
标准正态分布表 φ( - x ) = 1 –φ( x )（请暂时忽略此公式） x 0 0.01 0.02 0.03 0.04 0.05 0.060.07 0.08 0.09 0 0.500 0 0.504 0 0.508 0 0.512 0 0.516 0 0.519 9 0.523 9 0.527 9 0.531 9 0.535 9 0.1 0.539 8 0.543 8 0.547 8 0.551 7 0.555 7 0.559 6 0.563 6 0.567 5 0.571 4 0.575 3 0.2 0.579 3 0.583 2 0.587 1 0.591 0 0.594 8 0.598 7 0.602 6 0.606 4 0.610 3 0.614 1 0.3 0.617 9 0.621 7 0.625 5 0.629 3 0.633 1 0.636 8 0.640 4 0.644 3 0.648 0 0.651 7 0.4 0.655 4 0.659 1 0.662 8 0.666 4 0.670 0 0.673 6 0.677 2 0.680 8 0.684 4 0.687 9 0.5 0.691 5 0.695 0 0.698 5 0.701 9 0.705 4 0.708 8 0.712 3 0.715 7 0.719 0 0.722 4 0.6 0.725 7 0.729 1 0.732 4 0.735 7 0.738 9 0.742 2 0.745 4 0.748 6 0.751 7 0.754 9 0.7 0.758 0 0.761 1 0.764 2 0.767 3 0.770 3 0.773 4 0.776 4 0.779 4 0.782 3 0.785 2 0.8 0.788 1 0.791 0 0.793 9 0.796 7 0.799 5 0.802 3 0.805 1 0.807 8 0.810 6 0.813 3 0.9 0.815 9 0.818 6 0.821 2 0.823 8 0.826 4 0.828 9 0.835 5 0.834 0 0.836 5 0.838 9 1 0.841 3 0.843 8 0.846 1 0.848 5 0.850 8 0.853 1 0.855 4 0.857 7 0.859 9 0.86 2 1 1.1 0.864 3 0.866 5 0.868 6 0.870 8 0.872 9 0.87 4 9 0.877 0 0.879 0 0.881 0 0.883 0 1.2 0.884 9 0.886 9 0.888 8 0.890 7 0.892 5 0.894 4 0.89 6 2 0.898 0 0.899 7 0.901 5 1.3 0.903 2 0.904 9 0.906 6 0.90 8 2 0.90 9 9 0.911 5 0.913 1 0.914 7 0.916 2 0.917 7 1.4 0.919 2 0.920 7 0.922 2 0.923 6 0.925 1 0.926 5 0.927 9 0.929 2 0.930 6 0.931 9 1.5 0.933 2 0.934 5 0.935 7 0.937 0 0.938 2 0.939 4 0.940 6 0.941 8 0.943 0 0.944 1 1.6 0.945 2 0.946 3 0.947 4 0.948 4 0.949 5 0.950 5 0.951 5 0.952 5 0.953 5 0.953 5 1.7 0.955 4 0.956 4 0.957 3 0.958 2 0.959 1 0.959 9 0.960 8 0.961 6 0.962 5 0.963 3 1.8 0.964 1 0.964 8 0.965 6 0.966 4 0.967 2 0.967 8 0.968 6 0.969 3 0.970 0 0.970 6 1.90.971 3 0.971 9 0.972 6 0.973 2 0.973 8 0.974 4 0.975 00.975 6 0.976 2 0.976 7 2 0.977 2 0.977 8 0.978 3 0.978 8 0.979 3 0.979 8 0.980 3 0.980 8 0.981 2 0.981 7 2.1 0.982 1 0.982 6 0.983 0 0.983 4 0.983 8 0.984 2 0.984 6 0.98 5 0 0.985 4 0.985 7 2.2 0.98 6 1 0.986 4 0.986 8 0.98 7 1 0.987 4 0.987 8 0.988 1 0.988 4 0.988 7 0.98 9 0 2.3 0.989 3 0.989 6 0.989 8 0.990 1 0.990 4 0.990 6 0.990 9 0.991 1 0.991 3 0.991 6 2.4 0.991 8 0.992 0 0.992 2 0.992 5 0.992 7 0.992 9 0.993 1 0.993 2 0.993 4 0.993 6 2.5 0.993 8 0.994 0 0.994 1 0.994 3 0.994 5 0.994 6 0.994 8 0.994 9 0.995 1 0.995 2 2.6 0.995 3 0.995 5 0.995 6 0.995 7 0.995 9 0.996 0 0.996 1 0.996 2 0.996 3 0.996 4 2.7 0.996 5 0.996 6 0.996 7 0.996 8 0.996 9 0.997 0 0.997 1 0.997 2 0.997 3 0.997 4 2.8 0.997 4 0.997 5 0.997 6 0.997 7 0.997 7 0.997 8 0.997 9 0.997 9 0.998 0 0.998 1 2.9 0.998 1 0.998 2 0.998 2 0.998 3 0.998 4 0.998 4 0.998 5 0.998 5 0.998 6 0.998 6 x 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 3 0.998 7 0.999 0 0.999 3 0.999 5 0.999 7 0.999 8 0.999 8 0.999 9 0.999 9 1.000 0 0.975就是F（t）