标准正态分布（normal distribution）表
正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution），最早由棣莫弗（Abraham de Moivre）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。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σ2的正态分布，记为N(μ，σ2)。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。
[img]http://p.algo2.net/2022/0414/8da0d1550b37a.png[/img]
查询表：
[img]http://p.algo2.net/2022/0414/9a72f979bd19a.png[/img]
[img]http://p.algo2.net/2022/0414/f635f739f751b.png[/img] [b]历史发展[/b]
正态分布概念是由法国数学家棣莫弗（Abraham de Moivre）于1733年首次提出的，后由德国数学家Gauss率先将其应用于天文学研究，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。 [1] 但德国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，按棣莫弗的中心极限定理，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。拉普拉斯的理论把这断裂的一环连接起来，使之成为一个和谐的整体，实有着极重大的意义。
[b]定理[/b]
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。为了便于描述和应用，常将正态变量作数据转换。将一般正态分布转化成标准正态分布。
[img]http://p.algo2.net/2022/0414/614579ec05574.png[/img]
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。（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。）
[b]定义[/b]
一维正态分布
[img]http://p.algo2.net/2022/0414/5c0c08865dc75.png[/img]
标准正态分布
[img]http://p.algo2.net/2022/0414/94b74122a8a20.png[/img]
[b]分布曲线图形特征[/b]
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。
曲线与横轴间的面积总等于1，相当于概率密度函数的函数从正无穷到负无穷积分的概率为1。即频率的总和为100%。
关于μ对称，并在μ处取最大值，在正（负）无穷远处取值为0，在μ±σ处有拐点，形状呈现中间高两边低，正态分布的概率密度函数曲线呈钟形，因此人们又经常称之为钟形曲线。
[b]参数含义[/b]
正态分布有两个参数，即期望（均数）μ和标准差σ，σ2为方差。
正态分布具有两个参数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,σ2）。
μ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μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ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。 [b]面积分布[/b]
正态函数的不定积分是一个非初等函数，称为误差函数。
[img]http://p.algo2.net/2022/0414/3b04b8001c153.png[/img]
实际上误差函数的导数是：
[img]http://p.algo2.net/2022/0414/ad1f530ddfdee.png[/img]
将正态函数换元，误差函数和“正态函数的积分”的关系是：
[img]http://p.algo2.net/2022/0414/eced9d932e503.png[/img]
实际工作中，正态曲线下横轴上一定区间的面积（误差函数上下限之差）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）。
1、正态曲线下，要取到50%概率，横轴半区间长度为0.67448975σ（该值无法用初等方法求解，是由迭代法取得的近似值。）
2、横轴区间（μ-σ,μ+σ）内的面积为68.268949%。
[img]http://p.algo2.net/2022/0414/0e61356f790b0.png[/img]
2、横轴区间（μ-2σ,μ+2σ）内的面积为95.449974%。
[img]http://p.algo2.net/2022/0414/3ee79261796e0.png[/img]
3、横轴区间（μ-3σ,μ+3σ）内的面积为99.730020%。
[img]http://p.algo2.net/2022/0414/460f4da4a045e.png[/img]
[b]“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。由此可见X落在（μ-3σ,μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的事件不会发生，基本上可以把区间（μ-3σ,μ+3σ）看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”原则。而对于产量更大，试验次数更多的大规模流水线产品，要达到“万无一失”（99.99%）就要取到4σ（99.9936%），而要达到更高的水平，则需要取5σ~6σ长度的半区间，此时误差大约是0.6ppm~0.002ppm，这是工业生产中提出的“六西格玛（6σ）”原则（管理学书籍中提及的六西格玛原则的要求是3.4ppm，这个概率值所对的分布大约在半区间长度4.5σ，这是考虑到系统误差造成的均值偏移μ=1.5σ的情况）。[/b]
页:
[1]